【Datawhale AI 夏令营第二期--机器学习-电力需求预测挑战赛--Task2学习笔记】

基础概念入门

GBDT

GBDT (Gradient Boosting Decision Tree) 是机器学习中一个长盛不衰的模型，其主要思想是利用弱分类器（决策树）迭代训练以得到最优模型，该模型具有训练效果好、不易过拟合等优点。GBDT不仅在工业界应用广泛，通常被用于多分类、点击率预测、搜索排序等任务；在各种数据挖掘竞赛中也是致命武器，据统计Kaggle上的比赛有一半以上的冠军方案都是基于GBDT。

LightGBM

LightGBM（Light Gradient Boosting Machine）是一个实现GBDT算法的框架，支持高效率的并行训练，并且具有更快的训练速度、更低的内存消耗、更好的准确率、支持分布式可以快速处理海量数据等优点。
LightGBM 框架中还包括随机森林和逻辑回归等模型。通常应用于二分类、多分类和排序等场景。
例如：在个性化商品推荐场景中，通常需要做点击预估模型。使用用户过往的行为（点击、曝光未点击、购买等）作为训练数据，来预测用户点击或购买的概率。根据用户行为和用户属性提取一些特征，包括：

• 类别特征（Categorical Feature）：字符串类型，如性别（男/女）。
• 物品类型：服饰、玩具和电子等。
• 数值特征（Numrical Feature）：整型或浮点型，如用户活跃度或商品价格等。

一、导入模块

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')
1
2
3
4
5
6
7
8
9
10
11

这段代码导入了一些Python库并设置了一些初始条件。以下是每行代码的解释：
import numpy as np: 导入NumPy库，提供支持大型多维数组和矩阵的数学函数。
import pandas as pd: 导入Pandas库，提供高效的数据操作和分析工具。
import lightgbm as lgb: 导入LightGBM库，这是一种基于决策树的梯度提升框架，特别适用于快速的分布式训练和大数据处理。
from sklearn.metrics import mean_squared_log_error, mean_absolute_error, mean_squared_error: 从scikit-learn库导入几个用于评估回归模型性能的指标函数，包括均方对数误差（mean_squared_log_error）、平均绝对误差（mean_absolute_error）和均方误差（mean_squared_error）。
import tqdm: 导入tqdm库，用于显示循环进度条，方便监控长时间运行的迭代过程。
import sys: 导入sys模块，提供对与Python解释器相关的变量和函数的访问。
import os: 导入os模块，提供了一些用于与操作系统交互的函数。
import gc: 导入gc模块，提供对垃圾回收机制的访问，允许手动释放未使用的内存。
import argparse: 导入argparse模块，用于解析命令行参数。
import warnings: 导入warnings模块，允许控制Python解释器的警告信息。
warnings.filterwarnings(‘ignore’): 这行代码设置为忽略所有的警告信息，通常在不希望警告信息干扰程序输出时使用。
总结一下，这段代码导入了多个用于数据处理、模型训练、评估和系统交互的库，并设置了忽略警告信息的选项，为后续的数据处理和模型训练做准备。

二、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。

train = pd.read_csv('./data/train.csv')
test = pd.read_csv('./data/test.csv')
1
2

数据简单介绍：

• 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。

不同type类型对应target的柱状图

代码如下（示例）：

import matplotlib.pyplot as plt
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()
1
2
3
4
5
6
7
8

这段代码利用Matplotlib库生成一个柱状图，展示不同类型（type）与目标变量（target）之间的关系。以下是每行代码的解释：
import matplotlib.pyplot as plt: 导入Matplotlib库中的pyplot模块，用于绘制各种图形。
type_target_df = train.groupby(‘type’)[‘target’].mean().reset_index(): 对训练数据集（train）按type列分组，并计算每个类型对应的目标变量（target）的平均值，结果保存在type_target_df数据框中。reset_index()方法用于重置索引，使得分组结果变为一个新的数据框。
plt.figure(figsize=(8, 4)): 创建一个新的图形对象，并设置图形的大小为8英寸宽、4英寸高。
plt.bar(type_target_df[‘type’], type_target_df[‘target’], color=[‘blue’, ‘green’]): 使用plt.bar方法绘制柱状图，x轴为type_target_df数据框中的type列，y轴为type_target_df数据框中的target列，柱状图的颜色分别为蓝色和绿色。
plt.xlabel(‘Type’): 设置x轴标签为“Type”。
plt.ylabel(‘Average Target Value’): 设置y轴标签为“Average Target Value”。
plt.title(‘Bar Chart of Target by Type’): 设置图形的标题为“Bar Chart of Target by Type”。
plt.show(): 显示绘制好的图形。
这段代码的目的是生成一个柱状图，直观展示每种类型（type）的平均目标变量（target）值的差异。通过这种方式，可以观察不同类型对目标变量的影响，从而为数据分析和建模提供参考。

id为00037f39cf的按dt为序列关于target的折线图

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()
1
2
3
4
5
6
7

这段代码利用Matplotlib库生成一条折线图，展示特定ID的目标变量（target）随时间变化的趋势。以下是每行代码的解释：
specific_id_df = train[train[‘id’] == ‘00037f39cf’]: 从训练数据集中筛选出ID为’00037f39cf’的行，结果保存在specific_id_df数据框中。
plt.figure(figsize=(10, 5)): 创建一个新的图形对象，并设置图形的大小为10英寸宽、5英寸高。
plt.plot(specific_id_df[‘dt’], specific_id_df[‘target’], marker=‘o’, linestyle=‘-’): 使用plt.plot方法绘制折线图，x轴为specific_id_df数据框中的dt列（日期时间），y轴为specific_id_df数据框中的target列（目标值）。折线图中，数据点用圆形标记（marker=‘o’），线条为实线（linestyle=‘-’）。
plt.xlabel(‘DateTime’): 设置x轴标签为“DateTime”。
plt.ylabel(‘Target Value’): 设置y轴标签为“Target Value”。
plt.title(“Line Chart of Target for ID ‘00037f39cf’”): 设置图形的标题为“Line Chart of Target for ID ‘00037f39cf’”。
plt.show(): 显示绘制好的图形。
这段代码的目的是生成一个折线图，直观展示ID为’00037f39cf’的记录中，目标变量（target）随时间（dt）的变化趋势。通过这种方式，可以观察目标变量在不同时间点的变化情况，从而为数据分析和建模提供参考。

三、特征工程

这里主要构建了 历史平移特征 和 窗口统计特征；每种特征都是有理可据的，具体说明如下：

历史平移特征：

通过历史平移获取上个阶段的信息；如下图所示，可以将d-1时间的信息给到d时间，d时间信息给到d+1时间，这样就实现了平移一个单位的特征构建。

窗口统计特征：

窗口统计可以构建不同的窗口大小，然后基于窗口范围进统计均值、最大值、最小值、中位数、方差的信息，可以反映最近阶段数据的变化情况。如下图所示，可以将d时刻之前的三个时间单位的信息进行统计构建特征给我d时刻。

完整代码如下：

# 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']]
1
2
3
4
5
6
7
8
9
10
11
12
13

四、模型训练与测试集预测

这里选择使用Lightgbm模型，也是通常作为数据挖掘比赛的基线模型，在不需要过程调参的情况的也能得到比较稳定的分数。
1

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)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

复盘总结

在目前阶段，我们使用lightgbm完成了基本的模型训练，并且添加了时序问题中常见的特征提取方式，通过特征工程挖掘特征可以很快的提升模型预测效果。