一、数据预处理、特征工程
类别变量 labelencoder就够了，使用onehotencoder反而会降低性能。其他处理方式还有均值编码（对于存在大量分类的特征，通过监督学习，生成数值变量）、转换处理（低频分类合并）、特征构造（结合其他数值变量生成新特征）。
二、模型调参
网格调参、随机调参。
模型参数没必要太过于纠结，调参到合适的地步就好了，太过沉迷会导致过拟合。
三、样本划分
一般是对数据集按7:3、8:2、7.5:2.5等划分为训练集和测试集。
更用心一点，把数据集随机划分为k折，以任意一部分为测试集，其余部分为训练集，建立k个模型。分别调参。最后对预测结果求平均值（加权或单纯求平均）。这种思路原理在于每个模型都会存在一定方差，会学到部分特征，通过对多个模型求平均值，可以起到消除误差的作用。
我在sofasofa上，第一个练习题排名25/257。rmse：14.925
代码如下：
# -*- coding: utf-8 -*-
"""
Created on Sat Sep 1 21:20:29 2018
@author: 蚂蚁不在线
从原理上来说，机器学习最靠谱的调参方法就是对训练集进行n折交叉验证。
单纯划分训练集和测试集调参的过程中，不可避免地在训练集上过拟合。
k折交叉划分训练集、测试集。
"""
import pandas as pd
import numpy as np
from xgboost import XGBRegressor
#from sklearn.model_selection import train_test_split
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import RandomizedSearchCV
from sklearn.model_selection import KFold
from sklearn import metrics
##网格搜索
def gsearcher(f_train,t_train,param_test):
gs=GridSearchCV(estimator=XGBRegressor(objective='reg:linear',
eval_metric='rmse'),
param_grid=param_test,
verbose=1,
cv=3)
gs.fit(f_train,t_train)
gs.score=np.sqrt(abs(gs.best_score_))
return gs
##随机搜索
def rsearcher(f_train,t_train,param_test):
rs=RandomizedSearchCV(estimator=XGBRegressor(objective='reg:linear'),
param_distributions=param_test,
verbose=1,
n_iter=100,
cv=3,
scoring='neg_mean_squared_error')
rs.fit(f_train,t_train)
rs.score=np.sqrt(abs(rs.best_score_))
return rs
#k折交叉验证
def kmodel(train,y_train,param,test):
result,col,score=pd.DataFrame(),0,[]
kf = KFold(n_splits=5,shuffle=True,random_state=0)
model=XGBRegressor(objective='reg:linear',
eval_metric='rmse',
n_estimators=param['n_estimators'],
max_depth=param['max_depth'],
learning_rate=param['learning_rate'],
subsample=param['subsample'],
colsample_bytree=param['colsample_bytree'],
min_child_weight=param['min_child_weight'],
reg_lambda=param['reg_lambda'],
reg_alpha=param['reg_alpha'],
gamma=param['gamma']
)
scores=[]
for train_index , test_index in kf.split(train):
col+=1
ktrain=train.iloc[list(train_index),:]
ktest=train.iloc[list(test_index),:]
y_ktrain=y_train[list(train_index)]
y_ktest=y_train[list(test_index)]
model.fit(ktrain,y_ktrain)
yp=model.predict(ktest)
score=np.sqrt(abs(metrics.mean_squared_error(y_ktest,yp)))
print(score)
scores.append(score)
yp=model.predict(test)
result['result_'+str(col)]=yp
result['result_'+str(col)]=result['result_'+str(col)].apply(lambda x:0 if x<0 else x)
result['score']=result.apply(lambda x:x.mean(),axis=1)
print(sum(scores)/5)
return result
# 读取数据
train = pd.read_csv("train.csv")
test = pd.read_csv("test.csv")
submit = pd.read_csv("sample_submit.csv")
# 删除id
train.drop(['id'], axis=1, inplace=True)
test.drop(['id'], axis=1, inplace=True)
# 取出训练集的y
t_train = train.pop('y')
#train,test=data_process(train,test)
param_test={'n_estimators':range(100,120,1),
'max_depth':range(5,11,1),
'learning_rate':[0.1+0.01*x for x in range(6)],
'subsample':[0.7+0.01*x for x in range(11)],
'colsample_bytree':[0.7+0.01*x for x in range(11)],
'min_child_weight':range(5,15,1),
'reg_lambda':range(1,3,2),
'reg_alpha':range(2,8,1),
'gamma':range(2,6,1)
}
rs=rsearcher(train,t_train,param_test)
print('最优参数:',rs.best_params_,rs.score)
with open('log.txt','a+',encoding='utf-8') as f:
f.write(str(rs.score)+str(rs.best_params_)+'\n')
result=kmodel(train,t_train,rs.best_params_,test)
submit['y']=result['score']
submit.to_csv('submit_0903_1.csv',index=False)