内容导读
Kaggle中的入门竞赛Houseprice竞赛是一个经典的回归问题,下面将以其中的特征工程代码演示一下回归问题中的常见套路。套路的话主要是对特征的组合或者添加多次项转化成多项式回归。这个项目中我只添加了三个特征,效果尚可(我曾按国内房产评估方法为每个test样本添加了可比实例价格,效果不好)。在分类和关联分析问题中,还会有连续变量离散化的操作。最简单的融合方式,就是把多个线性模型的结果进行线性组合。整个思路就是这样,现在模型还在调整中,如果效果比较好的话,我会把源代码分享出来。
Kaggle中的入门竞赛Houseprice竞赛是一个经典的回归问题,下面将以其中的特征工程代码演示一下回归问题中的常见套路。
1. 缺失值处理
缺失值处理通常有如下几种方式:
- 以特定值填充,有些NAN值具有特殊意义
- 使用该特征的均值或中位数进行填充,适用于数值型特征
- 使用该特征的众数进行填充,适用于分类型或离散型特征
- 参考同类特征进行填充,如Houseprice中可以参考同处一个Neighborhood的特征的数值分布进行缺失值填充
- 直接删除,适用于缺失值过多,且该特征方差过小的情况
# 区域因素 data['MSZoning'] = data['MSZoning'].fillna(data['MSZoning'].mode().iloc[0]) # 交通地形因素 for f in ['Street','Alley','LandContour','LandSlope','Condition1','Condition2']: data[f] = data[f].fillna(data[f].mode().iloc[0]) data['LotFrontage'] = data['LotFrontage'].fillna(data['LotFrontage'].mean()) # 房屋总体特征 for f in ['MasVnrType','MasVnrArea','Exterior1st','Exterior2nd','Functional']: data[f] = data[f].fillna(data[f].mode().iloc[0]) # 房屋内部配置 for f in ['BsmtQual','BsmtCond','BsmtFinSF1','BsmtFinSF2','BsmtFullBath','BsmtUnfSF','BsmtHalfBath', 'GarageQual','GarageCond','PoolQC','KitchenQual','GarageArea','GarageCars']: data[f] = data[f].fillna(0) for f in ['BsmtExposure','BsmtFinType1','BsmtFinType2','GarageType','GarageYrBlt','GarageFinish','Fence','MiscFeature']: data[f] = data[f].fillna('None') data['TotalBsmtSF'] = data['TotalBsmtSF'].fillna(data['TotalBsmtSF'].mean()) data['Electrical'] = data['Electrical'].fillna(data['Electrical'].mode().iloc[0]) data['FireplaceQu'] = data['FireplaceQu'].fillna(0.0) # 销售信息 data['SaleType'] = data['SaleType'].fillna(data['SaleType'].mode().iloc[0]) # 其他 data['Utilities'] = data['Utilities'].fillna(data['Utilities'].mode().iloc[0])
2. 添加新特征
利用现有的特征,添加新特征,这是机器学习项目中最具创造性的步骤,特征工程决定了最终得分的上限,能否找到项目中的Golden Feature是项目成败的关键。
这个步骤主要依靠对于特定业务的了解。
套路的话主要是对特征的组合或者添加多次项转化成多项式回归。
我曾见过一个很生猛的套路:对任意两列特征做加减乘运算,生成新的特征,然后再进行筛选,如果你的电脑性能够强,对项目业务又不太熟悉,不妨尝试一下这种方法,
这个项目中我只添加了三个特征,效果尚可(我曾按国内房产评估方法为每个test样本添加了可比实例价格,效果不好)。
data['Remodeled'] = (data['YearBuilt'] != data['YearRemodAdd']) * 1 data['Age'] = data['YrSold'] - data['YearBuilt'] + 1 data['TotalSF'] = data['TotalBsmtSF'] + data['1stFlrSF'] + data['2ndFlrSF']
3. 特征处理
连续数值型特征
对数值型特征的处理方式很简单,主要是对偏态分布的数据进行标准化处理,对于偏度大于某个阈值的特征转为正态分布或者取对数处理(如果觉得设定偏度阈值太麻烦了,可以直接对所有数值型特征进行处理)。
numeric_feats = data.drop(['AVG_PRICE','SalePrice'],axis=1).dtypes[(data.dtypes != 'object') & (data.dtypes != 'datetime64[ns]')].index # 获取数值列 skewed_feats = data[numeric_feats].apply(lambda x: skew(x)) skewed_feats = skewed_feats[skewed_feats > 0.75] skewed_feats = skewed_feats.index std = StandardScaler() data[skewed_feats] = std.fit_transform(data[skewed_feats])
在分类和关联分析问题中,还会有连续变量离散化的操作。
分类型或离散型特征
字符型的分类特征无法直接带入回归模型中运算,需要进行数值化,然而进行数值化之后,模型会考虑各数值之间的距离:比如把红黄绿三种颜色编号为123,那么模型会认为红色和黄色之间的距离比红色和绿色之间的距离近,从而导致模型偏差。
通常会采用的方式是对特征进行独热编码,可以通过sklearn中的OneHotEncoder()和pandas中的get_dummies()实现。
4. 特征筛选
特征筛选的筛选主要有两类方式,一种我称之为统计筛选,另一种是模型筛选
统计筛选
- 方差选择法
- 相关系数法
- 卡方检验法
- 互信息法
这些方法中,方差选择法是单独计算每个特征的方差,选择方差高于阈值的特征。其他三种方法是采用不同的手段计算特征与因变量(预测目标)之间的相关性来筛选特征。
模型筛选
模型筛选常见的也有两种方式:
- 使用模型中的特征重要性进行排序
- 逐步添加或减少特征,如果模型得到改善则保留更改
其实两种方式差不多,只是方法1中的特征重要性只考虑单特征对模型的影响,而方法2中考虑的是不同特征组合的模型效果,在方法2中,本地cv验证方法的选取非常重要。我采用的是第二种方法,代码如下:
def backward_cv(train_data,clf = RidgeCV(alphas=[1e-6,1e-5,1e-4,1e-3,1e-2,1e-1,1])): ''' 逐步删除特征,运算时间较长,clf尽量选择简单模型 ''' x = train_data.drop(['SalePrice','AVG_PRICE','Id'],axis=1) y = np.log(train_data['AVG_PRICE']) best_score = check(x,y) dropped_col = [] for col in tqdm(x.columns): score = check(x.drop(col,axis=1),y) if score <= best_score: x = x.drop(col,axis=1) best_score = score print(score) dropped_col.append(col) else: pass print(x.shape,best_score) return x.columns def forward_cv(train_data,clf = RidgeCV(alphas=[1e-6,1e-5,1e-4,1e-3,1e-2,1e-1,1])): ''' 逐步增加特征 ''' x = train_data.drop(['SalePrice','AVG_PRICE','Id'],axis=1) y = np.log(train_data['AVG_PRICE']) best_score = np.inf # 先寻找最好的单特征 best_col = "" for col in tqdm(x.columns): score = check(x[col].reshape(-1,1),y) if score < best_score: best_score = score best_col = col print(score) x_new = pd.DataFrame({ best_col:x[best_col] }) print('===best_col==',best_col) for col in tqdm(x.drop(best_col,axis=1).columns): x_new[col] = x[col] # 这一列莫名其妙地加到了行上面 score = check(x_new,y) if score < best_score: best_score = score print(col,score) elif len(x_new.shape) > 1: x_new = x_new.drop(col,axis=1) return x_new.columns
降维
- PCA
- LDA
降维通常是用来减少特征中的线性相关量,控制模型中的维度,通常使用与模型中特征量过大,又不好删除的情况(不确定哪些因素对模型没有用)。这个方法我暂时没有用到。
5. 模型调参
很多模型中都有超参数,就是那种不确定会对模型影响不明确的因素。sklearn提供了两种调参方式,分别是网格搜索GridSearchCV()和随机搜索RandomizedSearchCV()。GridSearchCV效果更稳定,RandomizedSearchCV就有点看人品了,效果好的时候比GridSearchCV好,差的时候会很差。
下面是我用的调参参数
rid = search_model(Ridge(),x,y,params = { 'alpha': [1e-6,1e-5,1e-4,1e-3,1e-2,1e-1,1], 'fit_intercept': [True,False], 'normalize': [True,False], }) las = search_model(Lasso(),x,y,params = { 'alpha':[1e-6,1e-5,1e-4,1e-3,1e-2,1e-1,1], 'fit_intercept': [True,False], 'normalize': [True,False], 'max_iter':[100,300,500] }) xg = search_model(XGBRegressor(),x,y,params = { 'learning_rate':[0.1], 'max_depth':[2], 'n_estimators':[500], 'reg_alpha':[0.2,0.3,0.4,0.5,0.6], 'reg_lambda':[0.2,0.3,0.4,0.5,0.6,0.7] }) rf = search_model(RandomForestRegressor(),x,y,params={ 'n_estimators':[300,500,800], 'max_features':[0.5,'sqrt',0.8], 'min_samples_leaf':[2,3,4], 'n_jobs':[-1], 'max_depth':[3,5,7,9,11] }) krr = search_model(KernelRidge(),x,y,params={ 'alpha':[1e-4,1e-3,1e-2,1e-1,1e0,1e1], 'kernel':['linear','polynomial','rbf'], 'degree':[2,3,4], }) gbd = search_model(GradientBoostingRegressor(),x,y,params = { 'loss':['ls', 'lad', 'huber', 'quantile'], 'learning_rate':[1e-4,1e-3,1e-2,1e-1], 'n_estimators':[100,200,400], 'criterion':['mse'], 'max_features':['sqrt','log2'] })
6. 模型融合
模型融合的目的是提高模型的泛化能力,通常会采用得分相近、但是原理相差较大的几个模型进行融合,比如回归模型中可以用Rdige/Lasso回归 + 随机森林 + xgboost 这样的组合方式。
组合方式也有多种:
Average
最简单的融合方式,就是把多个线性模型的结果进行线性组合。如果在分类问题中可以使用类似的Voting方法,这种简单又有效的方法当然要尝试一下:
def voting_predict(models,test,weights='auto'): '''表决结果''' if weights == 'auto': weights = [1/len(models) for i in range(len(models))] weights = np.array(weights).reshape(-1,1) predictions = np.zeros((test.shape[0],len(models))) for i,m in enumerate(models): yp = m.predict(test.drop('Id',axis=1)) # predictions.append(yp) predictions[:,i] = yp return np.squeeze(np.dot(predictions,weights))
Bagging
多次从总样本中有放回地抽取样本,通过得到的子样本建立多个子模型,然后使用Average将这些子模型进行融合。随机森林算法就是衍生于bagging算法
Boosting
多次迭代训练,每次训练完之后,将预测效果较差的样本的权重加大,然后再对训练出来的子模型结果进行加权的线性组合(与Average类似),sklearn中提供了Adaboost和GBDT函数,可以直接调用。
Stacking
Stacking是比较难描述的算法,原理如下图所示:
<figure style="margin: 1em 0px; color: rgb(26, 26, 26); font-family: -apple-system, BlinkMacSystemFont, "Helvetica Neue", "PingFang SC", "Microsoft YaHei", "Source Han Sans SC", "Noto Sans CJK SC", "WenQuanYi Micro Hei", sans-serif; font-size: 16px; font-style: normal; font-variant-ligatures: normal; font-variant-caps: normal; font-weight: 400; letter-spacing: normal; orphans: 2; text-align: start; text-indent: 0px; text-transform: none; white-space: pre-wrap; widows: 2; word-spacing: 0px; -webkit-text-stroke-width: 0px; background-color: rgb(255, 255, 255); text-decoration-style: initial; text-decoration-color: initial;">
image
</figure>
在Python中没有现成的模块可用,需要自己写:
class stack_model: '''使用KFold的方式将数据集划分为5个部分,使用每个basemodel训练五次, 再预测五次,合并得到一个predict_price,作为mergemodel中的自变量''' def __init__(self,base_models,merge_model,n_folds = 5): self.base_models = base_models self.merge_model = merge_model self.n_folds = n_folds def fit(self,x,y): self.fitted_models = [list() for x in self.base_models] # 用于存储训练之后的模型 kfold = KFold(n_splits = self.n_folds,shuffle = True) out_of_fold_predictions = np.zeros((x.shape[0],len(self.base_models))) for i,model in enumerate(self.base_models): for train_index,valid_index in kfold.split(x,y): instance = clone(model) instance.fit(x.iloc[train_index],y.iloc[train_index]) self.fitted_models[i].append(instance) y_pred = instance.predict(x.iloc[valid_index]) out_of_fold_predictions[valid_index,i] = y_pred self.merge_model.fit(out_of_fold_predictions,y) return self def predict(self,x): merge_features = np.column_stack([ np.column_stack([ model.predict(x) for model in models ]).mean(axis=1) for models in self.fitted_models ]) return self.merge_model.predict(merge_features)
整个思路就是这样,现在模型还在调整中,如果效果比较好的话,我会把源代码分享出来。