编译:yxy
出品:ATYUN订阅号
日本最大的社区购物应用Mercari遇到了一个问题。他们希望向卖家提供定价建议,但这很难,因为他们的卖家能够在Mercari上放置任何东西。
在这个机器学习项目中,我们将建立一个自动建议正确的产品价格的模型。我们提供以下信息:
train_id – 列表的ID
name – 列表的标题
item_condition_id – 卖方提供商品的情况
category_name – 种类的列表
brand_name – 品牌名称
price – 该商品的售价。也就是我们预测的目标变量
shipping - 如果运费由卖方支付,买方支付0
item_description – 商品的完整描述
EDA
数据集可以从Kaggle下载(文末链接)。为了验证结果,我只需要train.tsv。让我们开始吧!
随机将数据拆分为训练集和测试集。我们只对EDA使用训练集。
((1185866, 8), (296669, 8))
价格
物品价格总体左倾(left skewed),绝大多数物品售价10-20。然而,最昂贵的商品定价在2009。所以我们会对价格进行对数变换。
运费
超过55%的物品运费由买家支付。
运费如何与价格相关?
如果卖家支付运费,平均价格为22.58
如果买家支付运费,平均价格为30.11
我们对价格进行对数转换后再次进行比较。
当买家支付运费时,平均价格显然会更高。
种类名称
种类名称列中有1265个唯一值
十大最常见的种类名称:
商品情况与价格
每个商品状态id的平均价格都不大一样。
经过以上的探索性数据分析,我决定使用所有的特征来构建我们的模型。
LightGBM
LightGBM是一个使用基于树的学习算法的梯度提升框架。具有它被设计成分布式且高效性的,它的优点包括:
更快的训练速度和更高的效率
更低的内存使用率
更高的准确性
支持并行和GPU学习
能够处理大规模数据
因此,我们要尝试一下。
常规设置:
我们必须修复的列中缺失值:
有5083个商品没有种类名称。
有506370个商品没有品牌名称。
有3个商品没有描述。
LightGBM的助手函数:
删除price = 0的行
合并训练和新的测试数据。
训练准备
计算矢量化名称和种类名称的列。
TF-IDF Vectorize item_description列。
标签二值化brand_name列。
为item_condition_id和运费列创建虚拟变量。
创建稀疏合并。
删除文档频率
从稀疏合并中分离出训练和测试数据。
为lightgbm创建数据集。
将我们的参数指定为dict。
当我们处理回归问题时,使用“regression”作为应用程序。
使用“RMSE”作为度量,因为这是一个回归问题。
“num_leaves”= 100,因为我们的数据相对较大。
使用“max_depth”以避免过拟合。
使用“verbosity”来控制LightGBM的冗余度(
“learning_rate”确定每棵树对最终结果的影响。
训练开始
训练模型需要参数列表和数据集。训练需要一段时间。
预测
评估
预测的rmse是:0.46164222941613137
Kaggle:https://www.kaggle.com/tunguz/more-effective-ridge-lgbm-script-lb-0-44823
Github:https://github.com/susanli2016/Machine-Learning-with-Python/blob/master/Mercari%20Price%20Suggestion%20Lightgbm.ipynb
数据集:https://www.kaggle.com/saitosean/mercari
领取专属 10元无门槛券
私享最新 技术干货