前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Kaggle Tabular Playground Series - Jan 2022 的baseline和日期特征处理

Kaggle Tabular Playground Series - Jan 2022 的baseline和日期特征处理

作者头像
deephub
发布2022-01-21 19:57:04
5600
发布2022-01-21 19:57:04
举报
文章被收录于专栏:DeepHub IMBADeepHub IMBA

Kaggle 决定将他们每月的表格竞赛延续到 2022 年这对于我们来说是非常好的消息。并且也Kaggle 表示他们已经考虑大家的评论,所以我希望这意味着他们将不再使用庞大到使系统崩溃的数据集,这次1月的比赛数据集就不是很大。

在我看来,2022 年 1 月的竞赛问题是对涵盖几年时间的销售额的预测,这可以用机器学习构成一个时间序列。

我在下面的屏幕截图中包含了问题陈述的一部分,其中包含了和这项竞赛问题有关的代码

本篇文章我使用 HistGradientBoostingRegressor 进行测试。

首先要导入运行程序需要的库,numpy,Pandas,matplotlib 和 seaborn:

然后我使用 Pandas 读取csv 并将它们转换为df

我使用 seaborn 来分析目标,[‘num_sold’]是我们需要预测销售额。当我分析它时,可以看到它是偏斜的,并且有一些异常值:

然后我决定删除异常值,希望这样预测会有所改善。下面屏幕截图中的代码是我用来删除异常值的代码。虽然在这篇文章中没有记录,但我后来将乘数改为 2.25 而不是 1.5,并发现预测有小幅改进:

将异常值转换为空值后,我查看了这些空值并且进行了删除:

我创建了变量 target,它将用于进行预测。

我再次分析了目标,一旦删除了异常值,数据列的形状就大大改善了:

我创建了一个新的df,这个df包含了train和test的数据:

除此以外,我还删除了 id_row 因为它不是必需的:

然后使用pandas处理时间特征:

日期列转换成时间戳后,我创建了一个新列 [‘day_of_week’] 并使用 datetime 来确定这一天属于一周中的哪一天。

然后我创建了另一列。['Is_weekend'] 确定当天是否在周末:

然后我将列 [‘is_weekend’] 乘以 1 将其转换为整数:

我使用 datetime 库创建了三个新列,[‘year’]、[‘month’] 和 [‘day’]:

一旦确定了年月日,我就可以检查哪些天是假期。我做的第一件事是确定这一天是否落在 12 月 25 日,并将这些数据放入布尔列 [‘xmas1’],然后将其转换为整数:

然后我按照上面使用的相同格式查看相关日期是否为 12 月 26 日,并将该信息放入新创建的列 [‘xmas2’]。

我还检查了一天是否在新年并将此信息放在创建的列中,[‘new_year’]:

找出一天是否是复活节有点棘手,因为复活节并不是固定的日期:

一旦假期被放在适当的列中,我使用 sklearn 并创建了一个 for 循环来对所有属于 dtype 对象的列进行顺序编码:

然后我使用 datetime 将日期转换为新创建的列 [‘date_num’] 中的数字,然后将此数字转换为整数:

然后我删除了 [‘date’] 和 [‘year’] 列,因为它们在进行预测时不会提供任何有价值的信息:

下面定义 X、y 和 X_test 变量。y 变量是目标,X 变量由combi 到train 的长度组成,X_test 变量由combi 从train 的长度到末尾组成:

然后我使用 sklearn 的 train_test_split 将 X 和 y 变量分成训练和验证集:

然后我定义了模型,在这个例子中我决定使用 sklearn 的 HistGradientBoostingRegressor。(只使用了默认值,但如果我也使用了 grid_search_cv,我的分数可能会更高。)

然后我在验证集上预测:

我检查了指标。理想情况下,分数应尽可能低:

我使用 matplotlib 绘制预测值与真实值的关系图:

然后我在测试集上预测:

一旦我对测试集进行了预测,我就可以提交的数据了:

我取得的分数,可以从下面的屏幕截图中看出:

总而言之,我只是在一天内完成了这个竞赛问题的程序,但是我可以做一些事情来提高我的分数,例如更改我用来删除异常值的公式以及使用 GridSearchCV 来确定要使用的最佳参数。我还可以加入更多节日。

我不得不说,很高兴使用不会使我的计算机崩溃的较小数据集。

这篇文章的代码可以在我的个人 Kaggle 帐户中找到,链接在这里:- https://www.kaggle.com/tracyporter/jan-22-tabular-hist-grad-boost-reg?scriptVersionId=84230226

本文作者:Tracyrenee

程宏 译

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2022-01-07,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 DeepHub IMBA 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档