入门级数据挖掘比赛——二手车交易价格预测

目录

题目背景

初期工作

数据分析和特征选择

模型选择

总结

最近参加了天池的一个入门级数据挖掘比赛：二手车交易预测。昨天比赛结束，从参赛到结束也就10天，正经投入时间大概有5天吧，虽然是入门级比赛，看起来是很简单的回归预测，但是想冲进前13名（前13名有奖励）还是非常不容易的。2746组中最终排名48，对比投入时间和所做的工作，这个名次也没啥好说的。现在结束了，排名在前的队伍应该最近会写比赛分享，到时候再好好学习一下，看看自己到底是哪里还有待提高吧。为了给自己有个交代，简单总结一下自己在这次比赛中的工作吧。

题目背景

赛题以预测二手车的交易价格为任务，数据集报名后可见并可下载，该数据来自某交易平台的二手车交易记录，总数据量超过40w，包含31列变量信息，其中15列为匿名变量。为了保证比赛的公平性，将会从中抽取15万条作为训练集，5万条作为测试集A，5万条作为测试集B，同时会对name、model、brand和regionCode等信息进行脱敏。

 评价标准为MAE(Mean Absolute Error)。

MAE越小，说明模型预测得越准确。

初期工作

为了让自己快速进入状态，首先看到了举办方发布的baseline方案，通过copy代码，上传成绩得到了baseline分数：680.31。通过baseline代码，我快速掌握了数据读取，模型预测保存成提交文件的方式。通过对baseline的方案的阅读，我知道baseline方案是选择了31列特征的18个作为模型输入特征，选择xgboost和lgb两个模型进行预测，最后两个预测结果进行加权平均得到提交结果的。数据挖掘比赛往往会经过这么几个阶段：数据分析和预处理——特征选择——模型选择——集成学习，显然baseline的18个特征只是一个简单的示例。所以下一步就开始好好分析一下数据情况了。

数据分析和特征选择

查看缺失值情况，如下包含model, bodyType, fuelType,gearbox, 其中fuelType缺失值较多，达到5.79%。缺失值的处理方式有：补为-1，填充中位数，填充众数，填充上下条的数据，填充KNN，插值，填充均值，这里我选择了一个最简单的：补为-1。

然后，开始考虑31个特征选择哪些作为模型的输入特征，经分析和单个特征与交易价格的趋势可视化观察，排除了：saleID（唯一标识）, name（经过数据分析，15W个数据中，出现99662个值，快达到唯一标识了，所以我选择去掉这个特征，ps：后来发现这个决定是错误的，很多前排队伍都说这个特征很重要，当时我是自我感觉不重要也没做趋势分析直接pass了），saller（15W数据只有1个不同case)，offerType（15W数据此特征全部一样值）。所以一共选了26个特征，并且对regDate，createDate进行了处理，因为这两个特征是时间值，我就按照时间先后，进行了等值替换，如regDate的时间范围是19910001到20151212，我就把1992年之前的重标为0，1992-1993年的数据重标为1，每隔一年一次类推直到2015年之后标记为24。

其它特征，如model, regionCode, createDate通过它们编码和price的趋势观察，发现具有相关性，所以要加入这些特征，如下图可以看到不同model，regionCode, createDate编码与价格具有明显分层效果。

其中左下是notRepairedDamage的数据，0标识汽车有尚未修复的损坏，结果售价却普遍高于没有损坏的，优点违背常识，不知道是不是举办方做过处理（还有regData的时间编码月份居然是从0-12的，一年有13个月吗？有点奇怪）。 

经过增加模型输入特征到26个，最终线上分数为569.50。

模型选择

接着我觉得特征选择和数据处理的工作算是结束了，我找到了很多做回归的模型进行选择，包含：linearegression，DecisionTreeRegressor, RandomForestRegressor,GradientBoostingRegressor,MLPRegressor,Bagging, XBGRession,LGBMRegressor，最终发现较好的是随机森林，XGB，LGB。因为是直接调用，使用默认参数，接着我又网上搜了一大堆的随机深林，XGB，LGB的调参技巧，希望通过一个合适的参数得到比baseline更好的效果，最终发现很多参数调节用处不大，暴力增加n_estimators的个数效果有了明显的提升。因为随机深林即使调参后与xgb和lgb的mae还是差了接近100，所以我最终还是使用的baseline方案xgb,lgb，把评估器的个数设置分别设置为了5000，30000。最终线上效果达到495.78。然后对数据进行了归一化处理等一些小的操作，线上达到487.86就不行了。

至此，我的比赛陷入了瓶颈期，我尝试用MLP进行训练，但是mae还是在600左右徘徊。然后把这个比赛放了两天后，看到又大佬分享了一个简单的keras实现的神经网络案例，称效果达到450，我马上复现了一下，然而mae只能到470左右，但是比我的MLP好了很多（我觉得可能是我的MLP没有加Relu激活函数的原因），线上成绩达到471.08，我通过对这个keras进行调超参，如优化器，神经元个数，网络层数等，线上成绩465.63。

至此，我的线上成绩一直没有排进前100名（天池显示前100队伍），我觉得自己已经尝试了我所能想到的所有，比赛还有2天结束，我想最后把xgb+lgb和keras的提交结果加权平均一下，就当结束了，结果在线mae居然降到了436.87，进入了50多名，这可真实山穷水复无疑路，柳暗花明又一村呢，好高兴。

最后我看到keras训练的神经网络模型训练集mae能降到300，但是测试集总是460左右，想着按照防止过拟合的方向每一层加入了l2正则以及dropout层，只要解决了过拟合就能在线上达到400的mae，这样就能进入前13名了，但是理想很美好，现实很残酷。然后因为神经网络每次初始权重随机初始化的方式，导致模型性能不变，但是预测结果会有出入，所以我进行了6个模型预测结果的集成取平均，然后再和xgb+lgb的集成取平均，提交在线mae：428.51。最终排名48。

总结

总体来说，并没有投入很多精力，在数据分析，特征选择模块还有很多没有做好的地方，模型选择的话，大家基本都是用xgboost和lgb，这块不用花费过多时间。最后结果集成特别重要。可以选择成绩相同，模型不同的结果进行取平均等的集成，这样可能会带来很大的提升。比如本次比赛中神经网络模型和决策树模型的集成结果，远远超越它们各自的成绩。

后面等前排大佬分享了比赛经验，我再补充一下自己的不足吧。