按照前面文章的方法进行数据预测,完全不使用POI,天气,交通情况的数据,可以达到0.43的成绩。 不过如果想要获得更好的成绩,简单的预测方法显然无法满足要求了。
网友说可以使用GBDT的方法来进行数据预测。所以,我们先来聊聊GBDT算法的一些基础知识。
凡是说到算法,人工智能,机器学习的文章,多半一定要说到 熵 这个概念的。什么是熵?
百度一下:
熵(entropy)指的是体系的混乱的程度,它在控制论、概率论、数论、天体物理、生命科学等领域都有重要应用,在不同的学科中也有引申出的更为具体的定义,是各领域十分重要的参量。熵由鲁道夫·克劳修斯(Rudolf Clausius)提出,并应用在热力学中。后来在,克劳德·艾尔伍德·香农(Claude Elwood Shannon)第一次将熵的概念引入到信息论中来。
一个体系越是单调,则熵越低,反之亦然。
这里我们引用数据挖掘大神的文章来接单说一下熵。
这个很容易计算 H(X)= 1.5
P(Math) = 1/2 P(History)= 1/4 P(CS)= 1/4 log(0.25,2) = - 2 log(0.5,2) = - 1 H(X) = - (1/2) log(0.5,2) - (1/4) log(0.25,2) - (1/4) * log(0.25,2) = 0.5 + 0.5 + 0.5 = 1.5;
H(Y)= 1 P(Yes) = 1/2 P(No) = 1/2 H(Y) = - (1/2) log(0.5,2) - (1/2) log(0.5,2) = 0.5 + 0.5 = 1;
现在我们考虑一个问题,如果我们需要将Y传输出去。当然,如果直接传输的话, H(Y)= 1。 如果我们在传输的时候,双方都知道X的值,则需要熵定义为H(Y | X )。
例如:大家都知道X=History,则 Y 必然是 NO, H(Y ) = 0 , Histroy的可能性是1/4 ,需要的传输量是 0(CS同理) 大家都知道X=Math,则 Y 可能是 Yes或者No,H(Y ) = 1 ,Math的可能性是1/2 ,需要的平均传输率是 1/2 1 = 0.5 Math的概率 P(Math) = 1/2 ; History的概率 P(Histroy)= 1/4; History的概率 P(CS)= 1/4; 则我们定义H(Y | X ) = H(Y | X = Math) P(Math) + H(Y| X = Histroy) P(Histroy) + H(Y| X = CS) P(CS) = 0.5
从上文可知,比起直接传输Y,条件熵则更加划算了。这些划算的部分,我们称为信息增益IG。 IG(Y|X) = H(Y) - H(Y | X) 上面的例子,IG(Y|X) = H(Y) - H(Y | X) = 1 - 0.5 = 0.5 进一步,这样划算的部分,占原来所需部分的比重是多少呢? RIG= IG(Y|X) / H(Y) = 0.5 / 1 = 0.5 (节省的部分占了50%)
信息增益是什么,我们先从它的用处来了解它: 信息增益是特征选择中的一个重要指标,它定义为一个特征能够为分类系统带来多少信息,带来的信息越多,该特征越重要。
回到滴滴算法的问题,我们应该挑选哪些指标作为GBDT的参考呢? 所有的这些指标在使用之前都进行一下离散化。
关于离散化的好处:数据处理:离散化好处多
http://blog.sina.com.cn/s/blog_652090850100ynds.html
例如,在滴滴算法大赛里面,天气中的PM值,交通拥堵状况都是一些具体的数值,这里用离散化后,才能放入决策树中。
/// <summary> /// 回归分类树节点 /// </summary> class TreeNode { /// <summary> /// 节点属性名字 /// </summary> public string attrName { set; get; } /// <summary> /// 节点索引标号 /// </summary> public int nodeIndex { set; get; } /// <summary> /// 包含的叶子节点数 /// </summary> public int leafNum { set; get; } /// <summary> /// 节点误差率 /// </summary> public double alpha { set; get; } /// <summary> /// 父亲分类属性值 /// </summary> public string parentAttrValue { set; get; } /// <summary> /// 孩子节点 /// </summary> public TreeNode[] childAttrNode { set; get; } /// <summary> /// 数据记录索引 /// </summary> public List<string> dataIndex { set; get; } }
在滴滴算法问题中,你需要预测的是第4个时间片,前3个时间片的状态是已经知道的。 如果我们知道第一个时间片和第二个时间片的GAP是呈现上升或者持平或者下降的状态变化,记作 C1,第二和第三个时间片变化记作 C2。 是不是可以通过C1 ,C2 ,拟合出 C3呢?
在拟合的时候,不可避免的会考虑各种天气对于订单的影响,但是官方并没有给出天气的类型和天气描述之间的关系。 通过对于数据的分析,我们可以知道采样数据是来自上海市(感谢某位做天气研究的同学) 然后通过查阅历史资料,我们也可以初步获得所有天气类型值和天气描述的关系,这个是无法用程序和算法完成的,所以我认为这也是社会工程学的一部分。
public static string GetWeatherType(int type) { string des = "未知"; switch (type) { case 1: des = "雾"; break; case 2: des = "晴"; break; case 3: des = "轻雾"; break; case 4: des = "降水"; break; case 6: //2016-01-22上海雨夹雪 des = "雪"; break; case 8: des = "雷暴"; break; case 9: des = "霾"; break; default: des = "未知"; break; } return des; }
组委会是要求测算GAP值,是个定量问题。在这之前,我们看一下是否能够限定性分析一下GAP的高低呢?
从滴滴算法大赛的数据可以知道,数据的特征值大约有这些:
有一些特征需要自己去发现
整理出来的表格大概像这个样子的(不完全,示例)
天气类型 | 交通状态 | 工作日 | GAP分类 |
---|---|---|---|
晴 | 拥挤 | 是 | 高 |
雷暴 | 轻度拥挤 | 否 | 低 |
晴 | 拥挤 | 否 | 中 |
雪 | 拥挤 | 否 | 中 |
晴 | 重度拥挤 | 是 | 高 |
这个时候,我们到底先用哪个条件作为优先决策的依据呢?答案就是上文提到的信息增益。
Information Gain 信息增益 和 Relative Information Gain
哪个数字最大就挑选哪个作为第一优先分类条件。 现在我们假设工作日是最高信息增益的,作为第一个决策条件 第一次分组之后就是这个样子了:
天气类型 | 交通状态 | 工作日 | GAP分类 |
---|---|---|---|
晴 | 拥挤 | 是 | 高 |
晴 | 重度拥挤 | 是 | 高 |
天气类型 | 交通状态 | 工作日 | GAP分类 |
---|---|---|---|
雷暴 | 轻度拥挤 | 节假日 | 低 |
晴 | 拥挤 | 否 | 中 |
雪 | 拥挤 | 否 | 中 |
按照理论(大神的文章,以后会翻译的),工作日组的GAP分类都一致了,所以就无需决策了。 对于节假日组,根据交通状态进行再分类
天气类型 | 交通状态 | 工作日 | GAP分类 |
---|---|---|---|
雷暴 | 轻度拥挤 | 否 | 低 |
晴 | 拥挤 | 否 | 中 |
雪 | 拥挤 | 否 | 中 |
交通状态再分类结果如下
天气类型 | 交通状态 | 工作日 | GAP分类 |
---|---|---|---|
晴 | 拥挤 | 否 | 中 |
雪 | 拥挤 | 否 | 中 |
天气类型 | 交通状态 | 工作日 | GAP分类 |
---|---|---|---|
雷暴 | 轻度拥挤 | 否 | 低 |
这里无需天气类型就可以完成分类决策了。 (当然还有一种情况是所有特征都用完了,还是不能完全分类,这个时候可以使用多数表决的方式决定分类)
上面是一个定性的过程,下面我们来看一下,如果需要定量怎么处理呢?
天气类型 | 交通状态 | 工作日 | GAP数 |
---|---|---|---|
晴 | 拥挤 | 是 | 893 |
雷暴 | 轻度拥挤 | 否 | 375 |
晴 | 拥挤 | 否 | 542 |
雪 | 拥挤 | 否 | 437 |
晴 | 重度拥挤 | 是 | 753 |
天气类型 | 交通状态 | 工作日 | GAP数 | 误差 |
---|---|---|---|---|
晴 | 拥挤 | 是 | 893 | 293 |
雷暴 | 轻度拥挤 | 否 | 375 | 225 |
晴 | 拥挤 | 否 | 542 | 58 |
雪 | 拥挤 | 否 | 437 | 167 |
晴 | 重度拥挤 | 是 | 753 | 153 |
第一次分类怎么处理呢? 分裂的时候选取使得误差下降最多的分裂 如果我们选择工作日作为分裂条件
工作日的均值是:(893 + 753 )/ 2 = 823
天气类型 | 交通状态 | 工作日 | GAP数 | 误差 |
---|---|---|---|---|
晴 | 拥挤 | 是 | 893 | +70 |
晴 | 重度拥挤 | 是 | 753 | -70 |
误差的方差是: 70 × 70 + 70 × 70 = 9800
节假日的均值是:(375 + 542 + 437 )/ 3 = 451
天气类型 | 交通状态 | 工作日 | GAP数 | 误差 |
---|---|---|---|---|
雷暴 | 轻度拥挤 | 否 | 375 | -76 |
晴 | 拥挤 | 否 | 542 | +91 |
雪 | 拥挤 | 否 | 437 | -14 |
误差的方差是: 76 × 76 + 91 × 91 + 14 × 14 = 14253
按照是否为工作日分裂之后的总误差是 9800 + 14253 = 24053
当然标准做法是计算所有的总误差,然后选取最小的总误差的特征作为分类特征 (如果在这里结束,则认为工作日的预测是823,节假日的预测是541当然这还没有完)
第一颗树: 工作日:+823 休息日:+451
天气类型 | 交通状态 | 工作日 | GAP数 | 误差 |
---|---|---|---|---|
晴 | 拥挤 | 是 | 893 | +70 |
晴 | 重度拥挤 | 是 | 753 | -70 |
雷暴 | 轻度拥挤 | 否 | 375 | -76 |
晴 | 拥挤 | 否 | 542 | +91 |
雪 | 拥挤 | 否 | 437 | -14 |
第二颗树: 如果按照拥挤分类呢? 注意这里我们使用的输入值是误差!!
天气类型 | 交通状态 | 工作日误差 |
---|---|---|
晴 | 拥挤 | +70 |
晴 | 拥挤 | +91 |
雪 | 拥挤 | -14 |
雷暴 | 轻度拥挤 | -76 |
晴 | 重度拥挤 | -70 |
首先计算均值:
(这些数字的意思是,如果你认为工作日的预测是823,节假日的预测是541,两者都需要根据拥挤程度根据上述值进行修正)
天气类型 | 交通状态 | 工作日误差 | 交通状态误差 |
---|---|---|---|
晴 | 拥挤 | +70 | +21 |
晴 | 拥挤 | +91 | + 42 |
雪 | 拥挤 | -14 | - 63 |
雷暴 | 轻度拥挤 | -76 | 0 |
晴 | 重度拥挤 | -70 | 0 |
第三颗树:
天气类型 | 交通状态:拥挤 |
---|---|
晴 | +21 |
晴 | + 42 |
雪 | - 63 |
晴天:+ 31 雪:- 63
在交通状态为拥堵的时候,如果是晴天,修正 31,雪:修正 -63
天气类型 | 交通状态 | 工作日 | GAP数 |
---|---|---|---|
雪 | 拥挤 | 是 | ? |
工作日 +823 拥挤:+49 拥挤 且 雪天:-63 预测:809
天气类型 | 交通状态 | 工作日 | GAP数 |
---|---|---|---|
雪 | 拥挤 | 是 | 809 |
/// <summary> /// 回归分类树节点 /// </summary> class TreeNode { /// <summary> /// 节点属性名字 /// </summary> public string attrName { set; get; } /// <summary> /// 节点索引标号 /// </summary> public int nodeIndex { set; get; } /// <summary> /// 包含的叶子节点数 /// </summary> public int leafNum { set; get; } /// <summary> /// 节点误差率 /// </summary> public double alpha { set; get; } /// <summary> /// 父亲分类属性值 /// </summary> public string parentAttrValue { set; get; } /// <summary> /// 孩子节点 /// </summary> public TreeNode[] childAttrNode { set; get; } /// <summary> /// 数据记录索引 /// </summary> public List<string> dataIndex { set; get; } }