住房月租金预测大数据赛个人总结

记录、总结.比赛之前对于机器学习的步骤了解的其实并不是很清晰,借这次比赛学习一下特征工程。(注：这里只用到了部分代码，做分析思路和实现方法列举之用，且有些用到的数据集不一样。)
赛后的学习是很重要的，感谢@Trigger的开源，研二的学长，也是这次的第一名，从他的代码里学到了很多。附Github链接https://github.com/Daya-Jin/rental-prediction A榜1.80 B榜1.72
编程环境：python3.6
赛题链接： http://www.dcjingsai.com/common/cmpt/住房月租金预测大数据赛（付费竞赛）_竞赛信息.html
赛题说明:基于租房市场的痛点，提供脱敏处理后的真实租房市场数据。选手需要利用有月租金标签的历史数据建立模型，实现基于房屋基本信息的住房月租金预测，为该城市租房市场提供客观衡量标准。
数据:

导入库

# Project packages
import pandas as pd
import numpy as np# Visualisations
import matplotlib.pyplot as plt 
import seaborn as sns# Statistics
from scipy import stats
from scipy.stats import norm, skew
from statistics import mode
from sklearn.model_selection import KFold, cross_val_score, train_test_split
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import GridSearchCV
from catboost import Pool, CatBoostRegressor, cvimport sys
import warningsif not sys.warnoptions:warnings.simplefilter("ignore")from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"
#显示所有结果
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

读取数据

train = pd.read_csv('train.csv')
test = pd.read_csv('test.csv')
train.head(5)
test_ID = test['id']# Now drop the 'Id' colum since it's unnecessary for the prediction process
y_train = train['月租金']
test.drop("id", axis = 1, inplace = True)

数据分析

train.describe()
train_missing = (train.isnull().sum()/len(train))*100
train_missing = train_missing.drop(train_missing[train_missing==0].index).sort_values(ascending=False)miss_data = pd.DataFrame({'缺失百分比':train_missing})
miss_data

数据分布

1.小区

# len(train_df.loc[:,'Neighborhood'].unique())        # 5547个小区，多类别特征，考虑mean-encoding或target-encoding
# len(test_df.loc[:,'Neighborhood'].unique())        # 3804个小区，多类别特征，考虑mean-encoding或target-encoding
train_nei=set(train_df.loc[:,'Neighborhood'].unique())
test_nei=set(test_df.loc[:,'Neighborhood'].unique())
train_unique=train_nei-(train_nei&test_nei)
test_unique=test_nei-(train_nei&test_nei)print('训练集独有小区数：{}'.format(len(train_unique)))
print('测试集独有小区：{}'.format(len(test_unique)))plt.clf()
fig,axs=plt.subplots(1,2,figsize=(13,4))
axs[0].hist(train_df.dropna().loc[:,'Neighborhood'],bins=100,edgecolor='black',alpha=0.5)
axs[1].hist(test_df.dropna().loc[:,'Neighborhood'],bins=100,edgecolor='black',alpha=0.5)
plt.show()

2.楼层

print(train_df.loc[:,'Height'].value_counts())
plt.clf()
fig,axs=plt.subplots(1,2)
axs[0].pie(train_df.loc[:,'Height'].value_counts().values,labels=train_df.loc[:,'Height'].value_counts().index,autopct='%1.1f%%')
axs[1].pie(test_df.loc[:,'Height'].value_counts().values,labels=test_df.loc[:,'Height'].value_counts().index,autopct='%1.1f%%')
plt.show()

3.朝向

# print(len(train_df.loc[:,'RoomDir'].value_counts()))        # 64种不同字符串
# print(len(test_df.loc[:,'RoomDir'].value_counts()))        # 54种不同字符串
train_nei=set(train_df.loc[:,'RoomDir'].unique())
test_nei=set(test_df.loc[:,'RoomDir'].unique())
train_unique=train_nei-(train_nei&test_nei)
test_unique=test_nei-(train_nei&test_nei)print('训练集独有朝向：{}'.format(train_unique))
print('测试集独有朝向：{}'.format(test_unique))plt.clf()
fig,axs=plt.subplots(2,1,figsize=(15,6),sharex=True)
axs[0].bar(x=train_df.loc[:,'RoomDir'].value_counts().index,height=train_df.loc[:,'RoomDir'].value_counts().values)
axs[1].bar(x=test_df.loc[:,'RoomDir'].value_counts().index,height=test_df.loc[:,'RoomDir'].value_counts().values)
plt.xticks(rotation='90')
plt.show()

其他等等

统计描述

相关性分析

corrmat = df_train.corr()
f, ax = plt.subplots(figsize=(12, 9))
sns.heatmap(corrmat, vmax=.8, square=True,annot=True);

统计量分析

均值，方差，偏态，峰度
例：卧室数量

print(train_df.loc[:,['Bedroom','Rental']].groupby(['Bedroom']).agg(['mean','std']).sort_values(by=('Rental','mean'),ascending=False))plt.clf()
sns.boxplot(x='Bedroom',y='Rental',data=train_df)
plt.show()

异常值处理

该数据集房屋面积特征有明显异常值

sns.regplot(x=train['房屋面积'],y=y_train['月租金'])

train=train.drop(train[train['房屋面积']>0.15].index)
sns.regplot(x=train['房屋面积'],y=train['月租金'])
plt.show()

训练集里的噪声，这种绝大部分特征相同但目标值不相同对的样本，要么丢弃，要么取一个均值或3月份的值作为预测值。

法一：散点图直观判断删除
法二：如已知数据分布，利用F检验，t检验等检验异常值
法三：利用箱线图的四分位数判断异常值，鲁棒性比较好。

重复数据处理

“首先是一部分特征存在等级划分，如’Region’>‘BusLoc’>‘Neighborhood’，这是地理上的等级；然后是’TolHeight’>‘Height’>‘RoomDir’，这是每套房屋的等级；最后是房屋内部的等级，‘Bedroom’>‘Livingroom’>‘Bathroom’>‘RoomArea’。当然这个等级的次序不同的人有不同的理解，以上次序只是我个人的理解。划分出这些等级的目的其实就是想精准定位出’房屋ID’这个属性，然后就可以找出测试集跟训练集是否有重复数据，对于同一个出租屋，直接用它的历史租金来填充它4月份的租金即可，那么这部分数据就不需要使用模型来预测了。”–Trigger

train_data=pd.read_csv('data/train.csv').fillna(-999)
test_data=pd.read_csv('data/test.csv').fillna(-999)# 为了便与合并，将除目标值的所有列字符串化
def objectal(df):for col in df.columns:if col!='Rental':df[col]   = df[col].astype(str)return df
train_data=objectal(train_data)
test_data=objectal(test_data)mon1_train_df=train_data[train_data.loc[:,'Time']=='1'].drop(['Time','RentRoom'],axis=1).drop_duplicates()
mon2_train_df=train_data[train_data.loc[:,'Time']=='2'].drop(['Time','RentRoom'],axis=1).drop_duplicates()
mon3_train_df=train_data[train_data.loc[:,'Time']=='3'].drop(['Time','RentRoom'],axis=1).drop_duplicates()common_cols=list(mon1_train_df.columns)
common_cols.remove('Rental')# 按月计算出房屋的均租金
mon1_train_df=mon1_train_df.groupby(common_cols,as_index=False).mean()
mon2_train_df=mon2_train_df.groupby(common_cols,as_index=False).mean()
mon3_train_df=mon3_train_df.groupby(common_cols,as_index=False).mean()# 二月并一月，缺失值由一月数据来填充
recent_mean_rental=mon2_train_df.merge(mon1_train_df,how='outer',on=common_cols).fillna(method='bfill',axis=1)
recent_mean_rental=recent_mean_rental.drop(['Rental_y'],axis=1).rename(columns={'Rental_x':'Rental'})
# 三月并二月，缺失值由二月(一月)来填充
recent_mean_rental=mon3_train_df.merge(recent_mean_rental,how='outer',on=common_cols).fillna(method='bfill',axis=1)
recent_mean_rental=recent_mean_rental.drop(['Rental_y'],axis=1).rename(columns={'Rental_x':'Rental'})statistic_pred=test_data.merge(recent_mean_rental,how='left',on=common_cols)
statistic_pred.loc[:,['id','Rental']].to_csv('./result/statistic_pred.csv',index=False)

缺失值处理

缺失值的处理方式有：

1. 删除带有缺失值的特征，最简单也最浪费信息的方式
2. 用均值，众数或固定的数等填充，比1好，但仍不够好
3. 考虑缺失的含义，把缺失值作为一种信息
4. 用未缺失的数据训练模型，预测缺失的数据（分类型变量用分类算法，数值型变量用回归）
   （小tip：把训练集和测试集合并处理，减少代码量）

ntrain = train1.shape[0]
ntest = test.shape[0]all_data = pd.concat((train1,test)).reset_index(drop=True)

1.地铁站点，距离，地铁线路的缺失值作为一种特征，表示该房屋附近没有地铁

all_data['地铁线路']=all_data['地铁线路'].fillna(0)
all_data['地铁站点']=all_data['地铁站点'].fillna(0)all_data['距离']=all_data['距离'].fillna(-1)

2.居住状态，装修方式和出租方式为分类变量，其缺失值也作为一种特征

all_data['居住状态']=all_data['居住状态'].fillna(0)
all_data['出租方式']=all_data['出租方式'].fillna(2)
all_data['装修情况']=all_data['装修情况'].fillna(0)
all_data_missing = (all_data.isnull().sum()/len(all_data))*100
all_data_missing = all_data_missing.drop(all_data_missing[all_data_missing==0].index).sort_values(ascending=False)miss_data1 = pd.DataFrame({'缺失百分比':all_data_missing})
miss_data1

3.用同一小区的房屋出租数量(众数)来填充

xiaoqu=[]for i in range(all_data.shape[0]):if (np.isnan(all_data.loc[i]['小区房屋出租数量'])&(all_data[all_data['小区名']==all_data.loc[i]['小区名']].shape[0]!=1)):xiaoqu.append(all_data[all_data['小区名']==all_data.loc[i]['小区名']]['小区房屋出租数量'].mode()[0])else:xiaoqu.append(all_data.loc[i]['小区房屋出租数量'])#待精简all_data_missing = (all_data.isnull().sum()/len(all_data))*100
all_data_missing = all_data_missing.drop(all_data_missing[all_data_missing==0].index).sort_values(ascending=False)miss_data1 = pd.DataFrame({'缺失百分比':all_data_missing})
miss_data1

train[np.isnan(train['位置'])]
#小区名为3269的均没有位置和所在区，后面分开处理

数据变换

all_data['东'] = all_data.房屋朝向.map(lambda x : 1 if '东' in x else 0)
all_data['西'] = all_data.房屋朝向.map(lambda x : 1 if '西' in x else 0)
all_data['南'] = all_data.房屋朝向.map(lambda x : 1 if '南' in x else 0)
all_data['北'] = all_data.房屋朝向.map(lambda x : 1 if '北' in x else 0)all_data['东南'] = all_data.房屋朝向.map(lambda x : 1 if '东南' in x else 0)
all_data['西南'] = all_data.房屋朝向.map(lambda x : 1 if '西南' in x else 0)
all_data['东北'] = all_data.房屋朝向.map(lambda x : 1 if '东北' in x else 0)
all_data['西北'] = all_data.房屋朝向.map(lambda x : 1 if '西北' in x else 0)all_data.drop('房屋朝向',axis=1,inplace = True)

我用的catboost模型，该模型相比xgboost和lgb运行速度要快很多，能够处理类别型变量，无需对类别型变量做one-hot编码

for i in ['位置', '出租方式','地铁站点', '地铁线路', '居住状态','装修情况']:all_data[i]=pd.Categorical(all_data[i])

对数值型变量，做对数变换减小其峰度及偏度 (单调数据变换对树模型无效)

for i in ['卧室数量', '卫的数量', '厅的数量','小区房屋出租数量', '总楼层', '房屋面积', '楼层']:all_data[i]=all_data[i].map(lambda x:np.log1p(x))rank=pd.DataFrame(all_data.skew(),columns=['偏度'])rank['峰度']=all_data.kurt().values
rank

x_train = all_data[:ntrain]
x_test = all_data[ntrain:]

将位置和区为空的数据分离开来，做两部分处理

x_train_1=x_train[np.isnan(x_train['区'])]x_train_2=x_train.drop(index=x_train_1.index)x_train_1.drop(['区','位置'],axis=1,inplace=True)y_train_1=y_train.loc[x_train_1.index]y_train_2=y_train.drop(index=x_train_1.index)test_1=x_test[np.isnan(x_test['区'])]test_2=x_test.drop(index=test_2.index)test_1.drop(['位置','区'],inplace=True,axis=1)

特征工程（重点！）

这也算是参加比赛的初衷吧，虽然构建的特征效果并不是很好，但是锻炼思路也是好的。一开始的时候憋死出不来一个，在网上查查买房的各种技巧和指标之类的，自己就构建出来了很多特征。

baseline（xgboost模型）

以默认参数的XGB分数为准，低于此基准线2.554的模型一律不考虑。

train_df=pd.read_csv('data/train.csv')
test_df=pd.read_csv('data/test.csv')
train_df.loc[:,'RoomDir']=LabelEncoder().fit_transform(train_df.loc[:,'RoomDir'])
test_df.loc[:,'RoomDir']=LabelEncoder().fit_transform(test_df.loc[:,'RoomDir'])X_train=train_df.drop(['Rental'],axis=1)
Y_train=train_df.loc[:,'Rental']
X_test=test_df.drop(['id'],axis=1)
test_id=test_df.loc[:,'id']xgb_reg=XGBRegressor(max_depth=5,n_estimators=500,n_jobs=-1)
xgb_reg.fit(X_train,Y_train)
Y_pred=xgb_reg.predict(X_test)sub=pd.DataFrame({'id':test_id,'price':Y_pred
})
sub.to_csv('baseline.csv',index=False)    #baseline：2.554

def xgb_eval(train_df,val_df):train_df=train_df.copy()val_df=val_df.copy()try:from sklearn.preprocessing import LabelEncoderlb_encoder=LabelEncoder()lb_encoder.fit(train_df.loc[:,'RoomDir'].append(val_df.loc[:,'RoomDir']))train_df.loc[:,'RoomDir']=lb_encoder.transform(train_df.loc[:,'RoomDir'])val_df.loc[:,'RoomDir']=lb_encoder.transform(val_df.loc[:,'RoomDir'])except Exception as e:print(e)import xgboost as xgbX_train=train_df.drop(['Rental'],axis=1)Y_train=train_df.loc[:,'Rental'].valuesX_val=val_df.drop(['Rental'],axis=1)Y_val=val_df.loc[:,'Rental'].valuesfrom sklearn.metrics import mean_squared_errortry:eval_df=val_df.copy().drop('Time',axis=1)except Exception as e:eval_df=val_df.copy()reg_model=xgb.XGBRegressor(max_depth=5,n_estimators=500,n_jobs=-1)reg_model.fit(X_train,Y_train)y_pred=reg_model.predict(X_val)print(np.sqrt(mean_squared_error(Y_val,y_pred)),end=' ')eval_df.loc[:,'Y_pred']=y_predeval_df.loc[:,'RE']=eval_df.loc[:,'Y_pred']-eval_df.loc[:,'Rental']print('')feature=X_train.columnsfe_im=reg_model.feature_importances_print(pd.DataFrame({'fe':feature,'im':fe_im}).sort_values(by='im',ascending=False))import matplotlib.pyplot as pltplt.clf()plt.figure(figsize=(15,4))plt.plot([Y_train.min(),Y_train.max()],[0,0],color='red')plt.scatter(x=eval_df.loc[:,'Rental'],y=eval_df.loc[:,'RE'])plt.show()return eval_df

原始特征丢弃尝试

以XGB做原生特征筛选，在原生特征中丢弃后不影响分数甚至涨分的特征有：Time，房屋出租数(涨幅明显)，房屋朝向，卧室数量，出租类型(涨幅明显)，地铁线路(涨幅明显)，距离(涨幅明显)

# 丢弃各特征后的分数
# ‘Time':2.558,'Neighborhood':2.592,'RentRoom':2.531,'Height':2.57,'TolHeight':2.591,'RoomArea':3
# 'RoomDir':2.548,'RentStatus':2.561,'Bedroom':2.584,'Livingroom':2.548,'Bathroom':2.590,'RentType':2.538
# 'Region':2.583,'BusLoc':2.594,'SubwayLine':2.521,'SubwaySta':2.569,'SubwayDis':2.537,'RemodCond':2.571
for col in train_df.columns:if col!='Rental':print('drop col:{}'.format(col))tmp_train_df=train_df.drop([col],axis=1)tmp_val_df=val_df.drop([col],axis=1)eval_df=xgb_eval(train_df=tmp_train_df,val_df=tmp_val_df)

# 地铁特征，房子是否有'近地铁'这个属性:重要性为0
tmp_train_df=train_df.copy()
tmp_val_df=val_df.copy()
tmp_train_df.loc[:,'NearSubway']=(~tmp_train_df.loc[:,'SubwayLine'].isnull()).astype(np.int8).values ## 重点
tmp_val_df.loc[:,'NearSubway']=(~tmp_val_df.loc[:,'SubwayLine'].isnull()).astype(np.int8).valueseval_df=xgb_eval(train_df=tmp_train_df,val_df=tmp_val_df)

根据有序特征进行聚类，构造无监督特征

# eps=0.1，不编码原聚类特征
# 得分：2.544
cls_cols=['Height','TolHeight','RoomArea','Bedroom','Livingroom','Bathroom']        # 聚类列
all_cols=cls_cols+['Rental']tmp_train_df=train_df.copy()
tmp_val_df=val_df.copy()
need_scale=tmp_train_df.loc[:,cls_cols].append(tmp_val_df.loc[:,cls_cols])from sklearn.preprocessing import MinMaxScaler
mm_scaler=MinMaxScaler()
need_scale=mm_scaler.fit_transform(need_scale)from sklearn.cluster import DBSCAN
cls_model=DBSCAN(eps=0.1, min_samples=3,n_jobs=-1).fit(need_scale)tmp_train_df.loc[:,'clsFe']=cls_model.labels_[:len(tmp_train_df)]
tmp_val_df.loc[:,'clsFe']=cls_model.labels_[len(tmp_train_df):]eval_df=xgb_eval(train_df=tmp_train_df,val_df=tmp_val_df)

rank-encoding/mean-encoding

使用循环对所有列遍历做编码。两种编码方式类似，只是一个是离散特征，一个是连续特征，后者容易过拟合。

# 朝向rank-encoding:2.550
rank_df=tmp_train_df.loc[:,['RoomDir','Rental']].groupby('RoomDir',as_index=False).mean().sort_values(by='Rental').reset_index(drop=True)
rank_df.loc[:,'RoomDir'+'_rank']=rank_df.index+1
rank_fe_df=rank_df.drop(['Rental'],axis=1)
tmp_train_df=tmp_train_df.merge(rank_fe_df,how='left',on='RoomDir') ###划重点！！！！
tmp_val_df=tmp_val_df.merge(rank_fe_df,how='left',on='RoomDir')
tmp_train_df.drop(['RoomDir'],axis=1,inplace=True)
tmp_val_df.drop(['RoomDir'],axis=1,inplace=True)eval_df=xgb_eval(train_df=tmp_train_df,val_df=tmp_val_df)# 以平均租金为准添加评级特征，部分有用
# 'Time':2.554,'Height':2.549,'TolHeight'2.545
# 'Bedroom':2.546,'Livingroom':2.550,'Bathroom':2.551,'RentType':2.554
# 'Region':2.491,'BusLoc':2.480,'SubwayLine':2.539,'SubwaySta':'2.518','RemodCond':2.543
rank_cols=['Time','Height','TolHeight','Bedroom','Livingroom','Bathroom','RentType','Region','BusLoc','SubwayLine','SubwaySta','RemodCond']
for col in rank_cols:if col!='Rental':print(col+'_rank_encoding...')tmp_train_df=train_df.copy()tmp_val_df=val_df.copy()rank_df=train_df.loc[:,[col,'Rental']].groupby(col,as_index=False).mean().sort_values(by='Rental').reset_index(drop=True)rank_df.loc[:,col+'_rank']=rank_df.index+1        # +1，为缺失值预留一个0值的rankrank_fe_df=rank_df.drop(['Rental'],axis=1)tmp_train_df=tmp_train_df.merge(rank_fe_df,how='left',on=col)tmp_val_df=tmp_val_df.merge(rank_fe_df,how='left',on=col)tmp_train_df.drop([col],axis=1,inplace=True)tmp_val_df.drop([col],axis=1,inplace=True)eval_df=xgb_eval(train_df=tmp_train_df,val_df=tmp_val_df)

依据领域知识构建特征：

这是重要且主要的手段，考虑到大多数人不喜欢住在最高层或者最底层，所以构建了房子所在层数/总层数这一指标.还有卧室面积，厅的面积等等

x_train_2['卧室面积']=x_train_2.房屋面积/x_train_2['卧室数量']
x_train_2['楼层比']=x_train_2.楼层/x_train_2.总楼层
test_2['卧室面积']=test_2.房屋面积/test_2['卧室数量']
test_2['楼层比']=test_2.楼层/test_2.总楼层
x_train_2['卧室面积']=x_train_2.卧室面积*100
test_2['卧室面积']=test_2.卧室面积*100

再考虑到房子的朝向，南北朝向的房子通风性比东西朝向的好，所以在原有基础上构建南_北,东_西两个特征。再有小区房屋出租率，总房间数，房型(几室几厅)

特征选择

一股脑加上所有特征表现不佳，使用贪心策略(前向选择、后向选择)逐个添加特征。前面自己构造了一堆特征，然后就一股脑加上去了，掉分太厉害。

# 前向特征选择这块用for循环暴力搜出来的最优特征组合，最终筛选出来的特征组合为：
# ['ab_Height','TolRooms','Area/Room','BusLoc_rank','SubwayLine_rank']comb_train_df.loc[:,'ab_Height']=comb_train_df.loc[:,'Height']/(comb_train_df.loc[:,'TolHeight']+1)
comb_val_df.loc[:,'ab_Height']=comb_val_df.loc[:,'Height']/(comb_val_df.loc[:,'TolHeight']+1)comb_train_df.loc[:,'TolRooms']=comb_train_df.loc[:,'Livingroom']+comb_train_df.loc[:,'Bedroom']+comb_train_df.loc[:,'Bathroom']
comb_val_df.loc[:,'TolRooms']=comb_val_df.loc[:,'Livingroom']+comb_val_df.loc[:,'Bedroom']+comb_val_df.loc[:,'Bathroom']
comb_train_df.loc[:,'Area/Room']=comb_train_df.loc[:,'RoomArea']/(comb_train_df.loc[:,'TolRooms']+1)
comb_val_df.loc[:,'Area/Room']=comb_val_df.loc[:,'RoomArea']/(comb_val_df.loc[:,'TolRooms']+1)rank_cols=['BusLoc','SubwayLine']
for col in rank_cols:rank_df=train_df.loc[:,[col,'Rental']].groupby(col,as_index=False).mean().sort_values(by='Rental').reset_index(drop=True)rank_df.loc[:,col+'_rank']=rank_df.index+1        # +1，为缺失值预留一个0值的rankrank_fe_df=rank_df.drop(['Rental'],axis=1)comb_train_df=comb_train_df.merge(rank_fe_df,how='left',on=col)comb_val_df=comb_val_df.merge(rank_fe_df,how='left',on=col)try:comb_train_df.drop([col],axis=1,inplace=True)comb_val_df.drop([col],axis=1,inplace=True)except Exception as e:print(e)
for drop_col in drop_cols:try:comb_train_df.drop(drop_col,axis=1,inplace=True)comb_val_df.drop(drop_col,axis=1,inplace=True)except Exception as e:pass# 贪心策略添加特征，目前为:2.403
eval_df=xgb_eval(train_df=comb_train_df,val_df=comb_val_df)

catboost模型

cat = CatBoostRegressor(iterations=10000,learning_rate=0.1,depth=6,l2_leaf_reg=3,border_count=185,loss_function='RMSE',verbose=200)
def rmse_cv(model):rmse = np.sqrt(-cross_val_score(model,x_train_2 , y_train_2, scoring="neg_mean_squared_error", cv = 3))return rmse

调参

1. 对于不是很大的数据集可以用sklearn的Gridcvsearch来暴力调参。
   示例代码：

params = {'depth':[3],'iterations':[5000],'learning_rate':[0.1,0.2,0.3], 'l2_leaf_reg':[3,1,5,10,100],'border_count':[32,5,10,20,50,100,200]}
clf = GridSearchCV(cat, params, cv=3)
clf.fit(x_train_2, y_train_2)

对于较大的数据集，用第一种方法耗时特别长，本题数据我取了数据集的60%，两个队友一人一半都跑了三天（无奈），比较浪费时间。
2. 逐个参数调，先取定其它参数，遍历第一个参数，选择最优值，再调下一个参数。省时但有的时候容易陷入局部最优。
3. 观察数据的分布来调整对应的参数，如树模型的叶子节点数，变量较多，叶子数少欠拟合。

模型融合(重要上分手段)

1.基本融合：根据各模型的线上分，按比例调整预测结果
2.stacking：原理就不赘述了，网上比较多。sklearn里的stacking可以实现。

总结：数据单调变换对树模型效果并不显著，比赛的时候在这一直调整数据的偏态峰度，浪费了很多时间。构造特征后一块加入，没有做特征选择，导致分数一直上不去。调参，数据集很大，暴力搜索花费时间特别长，效率很低。对数据的洞察很重要，特别是噪声和重复值，对模型的得分影响很大。ok，玩的差不多了，该收收心了~
附特征工程好文：https://machinelearningmastery.com/discover-feature-engineering-how-to-engineer-features-and-how-to-get-good-at-it/