【BI学习心得16-模型融合与供应链预测】_对brand进行统计 brand_amount, brand_price_max, brand_pr

---

写在前面的话

随着时间的流逝，我们之前学过的知识可能忘了，链接回去，温故而知新。

1. 01-商业智能与推荐系统

机器学习的概念，七个步骤，分类问题，回归问题

这里是关于：推荐系统方面的学习总结

1.回归分析算法

概念：研究因变量（目标）与自变量（特征）之间的关系
目的：帮助数据科学家，更好的选择最佳的变量集，用于建立预测模型
场景：价格预测，数量预测
背景：1889年道尔顿和他的朋友K.Pearson收集了上千个家庭的身高、臂长和腿长的记录，企图寻找出儿子们身高与父亲们身高之间的关系

1.1 常见的回归算法

• 线性回归 / 逻辑回归
• 多项式回归 Polynomial Regression

多项式是一种常用的特征构造方法

• 岭回归 Ridge Regression
• 套索回归 Lasso Regression
• 弹性回归 ElasticNet Regression

岭回归和套索回归的混合技术，同时使用L2和L1正则

最小二乘估计是最小化残差平方和（RSS）$mi{n}_w\frac{1}{m}{\sum }_i(y_i-w^T{x}_i{)}^2$

lasso是最小化RSS中，加入了L1惩罚项（作为约束）$mi{n}_w\frac{1}{m}{\sum }_i(y_i-w^T{x}_i{)}^2+\frac{\lambda }{n}||w_1||$

岭回归在最小化RSS中，加入了L2惩罚项 $mi{n}_w\frac{1}{m}{\sum }_i(y_i-w^T{x}_i{)}^2+\frac{\lambda }{n}||w_2||$

• 分类用于回归：SVM，KNN，CART
• 集成学习：RF，GBDT, XGBoost, LightGBM

2.二手车交易价格预测

• 数据地址：https://tianchi.aliyun.com/competition/entrance/231784/introduction

• 目标：给你一辆车的各个属性（除了price字段），预测它的价格

• 要求：使用神经网络、xgb、lgb等机器学习算法来完成预测

2.1评价标准

评价标准MAE(Mean Absolute Error)：

MAE是L1 loss，MAE越小模型越准确

2.2数据处理步骤

• Step1，数据加载

原始数据是用空格分隔

• Step2，数据探索

数据整体情况
查看缺失值，缺失值可视化
查看label的分布（该项目中price为label）

• Step3，特征选择
• Step4，模型训练

使用XGBoost，超参数设置

• Step5，模型预测

2.2.1数据分布

从目标中我们知道，价格是需要预测的值，可以用核密度函数观察实际价格分布符合哪种分布（使用johnsonsu，norm，lognorm分布）

结论：数据更符合johnsonsu分布，不符合正态分布

2.2.2查看预测值的具体频数

plt.hist(train_data['price'], color ='red')
1

plt.hist(np.log(train_data['price']), color ='red')
1

2.2.3偏度和峰度（与正态分布进行比较）

峰度用来描述取值分布形态陡缓程度的统计量
峰度为0表示该分布与正态分布的陡缓程度相同
峰度大于0表示分布与正态分布相比较为陡峭，为尖顶峰
峰度小于0表示分布与正态分布相比较为平坦，为平顶峰

sns.distplot(train_data['price'])
print("Skewness: %f" % train_data['price'].skew())
print("Kurtosis: %f" % train_data['price'].kurt())
1
2
3

2.2.4减少MAE的方式

1. 时间类型数据(regDate, creatDate)
2. 模型融合，使用XGBoost,LightGBM
3. 增加新的特征，对brand进行统计

brand_amount, brand_price_max, brand_price_min, brand_price_median,
brand_price_sum, brand_price_std, brand_price_mean

单模型XGBoost，MAE=1463 完善1和2，MAE=587

2.2.5XGBOOST和LGBMClassifier经验参数

clf = lgb.LGBMRegressor (
            num_leaves=2**5-1, reg_alpha=0.25, reg_lambda=0.25, objective='regression',
            max_depth=-1, learning_rate=0.005, min_child_samples=3, random_state=2021,
            n_estimators=2000, subsample=1, colsample_bytree=1,
        )
1
2
3
4
5

• num_leavel=2**5-1 #树的最大叶子数，对比XGBoost一般为2^(max_depth)

• reg_alpha，L1正则化系数

• reg_lambda，L2正则化系数

• max_depth，最大树的深度

• n_estimators，树的个数，相当于训练的轮数

• subsample，训练样本采样率（行采样）

• colsample_bytree，训练特征采样率（列采样）

xgb = xgb.XGBRegressor(
            max_depth=6, learning_rate=0.05, n_estimators=2000, 
            objective='reg:linear', tree_method='gpu_hist', 
            subsample=0.8, colsample_bytree=0.8, 
            min_child_samples=3, eval_metric='auc', reg_lambda=0.5
        )
1
2
3
4
5
6

• max_depth ，树的最大深度
• learning_rate, 学习率
• reg_lambda，L2正则化系数
• n_estimators，树的个数，相当于训练的轮数
• objective，目标函数, binary:logistic 用于二分类任务
• tree_method, 使用功能的树的构建方法，hist代表使用直方图优化的近似贪婪算法
• subsample，训练样本采样率（行采样）
• colsample_bytree，训练特征采样率（列采样）

注意：$subsample,colsampl{e}_{b}ytree是个值得调参的参数，典型的取值为0.5-0.9（取0.7效果可能更好）$

结论：XGBoost效果相对LightGBM可能会好一些

2.3模型融合

根据各个模型的最终预测表现分配不同的权重，比如准确率高的模型给予更高的权重，准确率低的模型给予较小的权重。

2.3.1回归任务中的加权融合

将3个模型的预测结果进行加权融合，对比结果提升，评价指标采用MAE，MSE

predict1 = [1.2, 3.2, 2.1, 6.2]
predict2 = [0.9, 3.1, 2.0, 5.9]
predict3 = [1.1, 2.9, 2.2, 6.0]
y_true = [1, 3, 2, 6]
1
2
3
4

2.3.2分类任务中的Voting

Voting策略，即选择所有模型输出结果中，最多的那个类（少数服从多数）

$假设我们有三个相互独立的模型，每个模型的准确率均为0.7，采用少数服从多数的方式进行Voting，那么最终的正确率=？$

在sklearn 中，VotingClassifier，实现了投票法，分为hard和soft。

hard, 硬投票, 少数服从多数（分类器）
soft, 软投票，有权值的投票（加权）

采用不同投放方式，分类结果是否有变化？

• 模型1，A类 99%, B类 1%
• 模型2：A类 45%，B类 55%
• 模型3：A类 48%，B类 52%

以iris分类为例，鸢尾花有四个属性，即花瓣的长宽，茎的长宽，根据这些属性把花分为三类，分别采用三个模型，并加权融合。

LogisticRegression(C=0.1)

RandomForestClassifier(n_estimators=10, max_depth=2)

SVC(C=0.1, probability=True)
1
2
3
4
5

2.4采用nerual network进行价格预测

• 设计NN

3个FC层，每层神经元个数为250，激活函数 用ReLU 最后一个FC层，输出预测结果

• 针对发动机功率power>600的进行异常值处理

2.5Model的特征可解释性测

• 使用XGBoost/LightGBM进行预测，并对重要特征进行排序
• XGBoost中的feature importance计算，一共有三种类型：

weight，特征在提升树里出现的次数，即在所有树中，某个特征作为分裂节点的次数
gain，在所有树中，某个特征在分裂后带来的平均信息增益。
cover，与特征相关的记录(observation)的相对数量

比如有100条记录(observation)，4个特征(feature) 和3棵树(tree)，假设特征1用来确定Tree1，Tree2和Tree3中10，5和2个记录的叶节点
coverage = (10 + 5 + 2) / 100 = 17%

参考资料