
import numpy as np
import pandas as pd
import lightgbm as lgb
from sklearn.metrics import mean_squared_log_error, mean_absolute_error, mean_squared_error
import tqdm
import sys
import os
import gc
import argparse
import warnings
warnings.filterwarnings('ignore')

补充：（为了方便小白能更加明白各类模块的作用，下面给出了以上各模块的大致解释）

numpy用于多维数组快速运算
pandas用于数据分析，特别是表格数据
lightgbm是一个基于梯度提升框架的的机器学习库
三个评估指标函数：mean_squared_log_error（均方对数误差）、mean_absolute_error（平均绝对误差）和 mean_squared_error（均方误差），以上指标用于评估回归模型的性能
tqdm 是一个进度条库，可以在循环或迭代过程中显示进度条
sys模块提供了对 Python 解释器进行访问和操作的函数和变量
os模块提供了与操作系统交互的函数，如文件和目录操作
gc模块提供了对垃圾回收机制的直接访问，可以手动触发垃圾回收
argparse是一个用于解析命令行参数和选项的库
warnings模块用于处理警告信息(以上的ignore代表忽略所有告警信息）

（2）探索性数据分析（EDA）

在数据准备阶段，主要读取训练数据和测试数据，并进行基本的数据展示

官方源代码：（读取数据集和训练集）


train = pd.read_csv('./data/train.csv')
test = pd.read_csv('./data/test.csv')

根据数据包的存储位置需要对以上文件的路径进行修改：


train = pd.read_csv('./data/data283931/train.csv')
test = pd.read_csv('./data//data283931/test.csv')

赛题数据集内容简单介绍：

其中id为房屋id，
dt为日标识，训练数据dt最小为11，不同id对应序列长度不同；
type为房屋类型，通常而言不同类型的房屋整体消耗存在比较大的差异；
target为实际电力消耗，也是我们的本次比赛的预测目标。

（3）数据可视化


import matplotlib.pyplot as plt
# 不同type类型对应target的柱状图
type_target_df = train.groupby('type')['target'].mean().reset_index()
plt.figure(figsize=(8, 4))
plt.bar(type_target_df['type'], type_target_df['target'], color=['blue', 'green'])
plt.xlabel('Type')
plt.ylabel('Average Target Value')
plt.title('Bar Chart of Target by Type')
plt.show()

不同type类型对应target的柱状图


specific_id_df = train[train['id'] == '00037f39cf']
plt.figure(figsize=(10, 5))
plt.plot(specific_id_df['dt'], specific_id_df['target'], marker='o', linestyle='-')
plt.xlabel('DateTime')
plt.ylabel('Target Value')
plt.title("Line Chart of Target for ID '00037f39cf'")
plt.show()

id为00037f39cf的按dt为序列关于target的折线图

（4）合并训练数据和测试数据，进行一些数据预处理操作，然后重新切分出训练集和测试集


# 合并训练数据和测试数据，并进行排序
data = pd.concat([test, train], axis=0, ignore_index=True)
data = data.sort_values(['id','dt'], ascending=False).reset_index(drop=True)
 
# 历史平移
for i in range(10,30):
    data[f'last{i}_target'] = data.groupby(['id'])['target'].shift(i)
    
# 窗口统计
data[f'win3_mean_target'] = (data['last10_target'] + data['last11_target'] + data['last12_target']) / 3
 
# 进行数据切分
train = data[data.target.notnull()].reset_index(drop=True)
test = data[data.target.isnull()].reset_index(drop=True)
 
# 确定输入特征
train_cols = [f for f in data.columns if f not in ['id','target']]

（5）模型训练与测试集预测

另外需要注意的训练集和验证集的构建：因为数据存在时序关系，所以需要严格按照时序进行切分，

这里选择原始给出训练数据集中dt为30之后的数据作为训练数据，之前的数据作为验证数据，
这样保证了数据不存在穿越问题（不使用未来数据预测历史数据）。


def time_model(lgb, train_df, test_df, cols):
    # 训练集和验证集切分
    trn_x, trn_y = train_df[train_df.dt>=31][cols], train_df[train_df.dt>=31]['target']
    val_x, val_y = train_df[train_df.dt<=30][cols], train_df[train_df.dt<=30]['target']
    # 构建模型输入数据
    train_matrix = lgb.Dataset(trn_x, label=trn_y)
    valid_matrix = lgb.Dataset(val_x, label=val_y)
    # lightgbm参数
    lgb_params = {
        'boosting_type': 'gbdt',
        'objective': 'regression',
        'metric': 'mse',
        'min_child_weight': 5,
        'num_leaves': 2 ** 5,
        'lambda_l2': 10,
        'feature_fraction': 0.8,
        'bagging_fraction': 0.8,
        'bagging_freq': 4,
        'learning_rate': 0.05,
        'seed': 2024,
        'nthread' : 16,
        'verbose' : -1,
    }
    # 训练模型
    model = lgb.train(lgb_params, train_matrix, 50000, valid_sets=[train_matrix, valid_matrix], 
                      categorical_feature=[], verbose_eval=500, early_stopping_rounds=500)
    # 验证集和测试集结果预测
    val_pred = model.predict(val_x, num_iteration=model.best_iteration)
    test_pred = model.predict(test_df[cols], num_iteration=model.best_iteration)
    # 离线分数评估
    score = mean_squared_error(val_pred, val_y)
    print(score)
       
    return val_pred, test_pred
    
lgb_oof, lgb_test = time_model(lgb, train, test, train_cols)
 
# 保存结果文件到本地
test['target'] = lgb_test
test[['id','dt','target']].to_csv('submit.csv', index=None)

3.运行结果

拿到官方的代码后我直接点了运行，出现了以下的报错：

我检查了报错原因：大致是说verbose_eval并不是train函数直接接受的参数

通过查阅资料发现原因是 verbose_eval 参数应该通过回调函数log_evaluation来设置，而不是直接作为lgb.train()的参数。因此，对此部分代码进行修改:

修改后可以运行啦，在没修改参数的前提下需要运行50000次，大概需要三小时，运行结果如下：

提交了结果，发现分数在277+（这个分数越低越好），说明还有待优化空间。

优化方向

目前的验证集和训练集的划分依据 dt 列进行，可以尝试更多的数据划分方法，如时间序列交叉验证。
目前使用的超参数是手动设置的，可以使用 GridSearchCV 或 RandomizedSearchCV 等方法来自动调整超参数，寻找最佳参数组合。
LightGBM自带特征重要性评估功能，可以根据重要性得分来选择或删除特征
使用 early_stopping_rounds 参数，可以让模型在指定轮数内没有改进时停止训练，从而防止过拟合。
目前只评估了均方误差，可以增加更多评估指标，如R²、MAE等，以更全面地评估模型性能。

优化代码

下面我从以下几方面更新了代码：

早停机制：在训练模型时，添加了 lgb.early_stopping(stopping_rounds=100) 回调函数，让模型在验证集上连续100轮没有提升时会提前停止训练，从而防止过拟合。
评估指标：除了计算均方误差（MSE）之外，还增加了平均绝对误差（MAE）和决定系数（R²）的计算，这样可以更全面地评估模型的性能。
日志记录：使用 lgb.log_evaluation(period=100) 回调函数，每100轮训练记录一次评估结果，有助于监控训练过程。
代码结构：代码结构我也做了调整，将模型的训练和评估逻辑封装在 time_model 函数中。
输出信息：在评估模型时，我打印了多个评估指标，可以更直观地了解模型的性能。


import lightgbm as lgb
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
from sklearn.model_selection import GridSearchCV
 
def time_model(lgb, train_df, test_df, cols):
    # 数据切分
    trn_x, trn_y = train_df[train_df.dt >= 31][cols], train_df[train_df.dt >= 31]['target']
    val_x, val_y = train_df[train_df.dt <= 30][cols], train_df[train_df.dt <= 30]['target']
    
    # 构建模型输入数据
    train_matrix = lgb.Dataset(trn_x, label=trn_y)
    valid_matrix = lgb.Dataset(val_x, label=val_y)
    
    # LightGBM参数
    lgb_params = {
        'boosting_type': 'gbdt',
        'objective': 'regression',
        'metric': 'mse',
        'min_child_weight': 5,
        'num_leaves': 2 ** 5,
        'lambda_l2': 10,
        'feature_fraction': 0.8,
        'bagging_fraction': 0.8,
        'bagging_freq': 4,
        'learning_rate': 0.05,
        'seed': 2024,
        'nthread': 16,
        'verbose': -1,
    }
    
    # 训练模型
    model = lgb.train(
        lgb_params, 
        train_matrix, 
        num_boost_round=800, 
        valid_sets=[train_matrix, valid_matrix],
        callbacks=[lgb.log_evaluation(period=100), lgb.early_stopping(stopping_rounds=100)]
    )
    
    # 验证集和测试集结果预测
    val_pred = model.predict(val_x, num_iteration=model.best_iteration)
    test_pred = model.predict(test_df[cols], num_iteration=model.best_iteration)
    
    # 离线分数评估
    mse_score = mean_squared_error(val_pred, val_y)
    mae_score = mean_absolute_error(val_pred, val_y)
    r2 = r2_score(val_pred, val_y)
    print(f'MSE: {mse_score}, MAE: {mae_score}, R²: {r2}')
    
    return val_pred, test_pred
 
lgb_oof, lgb_test = time_model(lgb, train, test, train_cols)
 
# 保存结果文件到本地
test['target'] = lgb_test
test[['id', 'dt', 'target']].to_csv('submit.csv', index=None)

最后的结果相比于不改参数有所提升，且运行的时间也缩短了：

优化总结

优化要点总结

数据切分：依据 dt 列切分数据集，确保时间序列的前后关系。
超参数调优：手动设置初始参数，可以通过网格搜索等方法进一步优化。
特征选择：可通过LightGBM的特征重要性功能选择特征。
使用早停：防止模型过拟合，提高泛化能力。
详细评估：增加更多评估指标，全面评估模型性能

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/酷酷是懒虫/article/detail/963667