Kaggle Tabular Playground Series - Jan 2022 的baseline和日期特征处理

本文主要是介绍Kaggle Tabular Playground Series - Jan 2022 的baseline和日期特征处理,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

5e052d819162687bdef224d1b69411ee.png

来源:DeepHub IMBA
本文共1500字,建议阅读8分钟
本文作者将使用 HistGradientBoostingRegressor 进行测试。

Kaggle 决定将他们每月的表格竞赛延续到 2022 年这对于我们来说是非常好的消息。并且Kaggle 表示他们已经考虑大家的评论,所以我希望这意味着他们将不再使用庞大到使系统崩溃的数据集,这次1月的比赛数据集就不是很大。

在我看来,2022 年 1 月的竞赛问题是对涵盖几年时间的销售额的预测,这可以用机器学习构成一个时间序列。

我在下面的屏幕截图中包含了问题陈述的一部分,其中包含了和这项竞赛问题有关的代码:

4d4329de7be2f6efc3e1a846b827f696.png

本篇文章我使用 HistGradientBoostingRegressor 进行测试。首先要导入运行程序需要的库,numpy,Pandas,matplotlib 和 seaborn:

bf1bc121b2455783c83849f07db899aa.png

然后我使用 Pandas 读取csv 并将它们转换为df:

06092435e21b337194a9a2489c5861fc.png

我使用 seaborn 来分析目标,[‘num_sold’]是我们需要预测销售额。当我分析它时,可以看到它是偏斜的,并且有一些异常值:

223943ac002f5102bcb4d78a9081f0c0.png

然后我决定删除异常值,希望这样预测会有所改善。下面屏幕截图中的代码是我用来删除异常值的代码。虽然在这篇文章中没有记录,但我后来将乘数改为 2.25 而不是 1.5,并发现预测有小幅改进:

4c3f79b75263676daf5a8634e7672158.png

将异常值转换为空值后,我查看了这些空值并且进行了删除:

c93a38dbbf460daee96a27ba5b8bb017.png

我创建了变量 target,它将用于进行预测。我再次分析了目标,一旦删除了异常值,数据列的形状就大大改善了:

c4ea810afe264bba3c1a927919aa3cd4.png

我创建了一个新的df,这个df包含了train和test的数据:

f5e5631722ab2f61c422835392fa6f6c.png

除此以外,我还删除了 id_row 因为它不是必需的:

e783b2b3ae5edacaaa283b093d0bf7ab.png

然后使用pandas处理时间特征:

745410ab5ef434f14a4aa30eaeb5f590.png

日期列转换成时间戳后,我创建了一个新列 [‘day_of_week’] 并使用 datetime 来确定这一天属于一周中的哪一天。

然后我创建了另一列。['Is_weekend'] 确定当天是否在周末:

e8073eabca76413c0961f265bbfc656a.png

然后我将列 [‘is_weekend’] 乘以 1 将其转换为整数:

d46b141de06b379f958ba86f78bfff99.png

我使用 datetime 库创建了三个新列,[‘year’]、[‘month’] 和 [‘day’]:

c4a87629fcd8494e75cf24db6d1e417a.png

一旦确定了年月日,我就可以检查哪些天是假期。我做的第一件事是确定这一天是否落在 12 月 25 日,并将这些数据放入布尔列 [‘xmas1’],然后将其转换为整数:

63c7be35c0153f5d1c1351c3c06a9a52.png

然后我按照上面使用的相同格式查看相关日期是否为 12 月 26 日,并将该信息放入新创建的列 [‘xmas2’]。

3ff7256bdb3ade57b43882ee8e5c7dc4.png

我还检查了一天是否在新年并将此信息放在创建的列中,[‘new_year’]:

a5ec770efe2caab336e676739103f3fe.png

找出一天是否是复活节有点棘手,因为复活节并不是固定的日期:

d3b6a53c2994cca1491749389a5d3bbb.png

一旦假期被放在适当的列中,我使用 sklearn 并创建了一个 for 循环来对所有属于 dtype 对象的列进行顺序编码:

1320f6f4a90ec1c113de34c3eab3ec7b.png

然后我使用 datetime 将日期转换为新创建的列 [‘date_num’] 中的数字,然后将此数字转换为整数:

cdb93873e64f051b3a81f0070e08bcad.png

然后我删除了 [‘date’] 和 [‘year’] 列,因为它们在进行预测时不会提供任何有价值的信息:

8bb778b707583e08dfa167744607cf8a.png

下面定义 X、y 和 X_test 变量。y 变量是目标,X 变量由combi 到train 的长度组成,X_test 变量由combi 从train 的长度到末尾组成:

249fd1e1e7625ee56fabcbe53288e7c3.png

然后我使用 sklearn 的 train_test_split 将 X 和 y 变量分成训练和验证集:

7d2d2b129226583d139608fd7c35dbdf.png

然后我定义了模型,在这个例子中我决定使用 sklearn 的 HistGradientBoostingRegressor。(只使用了默认值,但如果我也使用了 grid_search_cv,我的分数可能会更高。)

fa0a549a259a3194f7051dfb1784758d.png

然后我在验证集上预测:

c10ae61cc05846e05d3a143db5688efa.png

我检查了指标。理想情况下,分数应尽可能低:

2ec8556e23ff50248b5eeb95860189ef.png

我使用 matplotlib 绘制预测值与真实值的关系图:

7b9ac1008de1f5da02e32f7bd792ca6c.png

然后我在测试集上预测:

99163e74e69d8fc9f4d68f45f64cad2d.png

一旦我对测试集进行了预测,我就可以提交的数据了:

ed3c89b2edbbcd3301d998037a25fe33.png

我取得的分数,可以从下面的屏幕截图中看出:

b9ba6c2a99656b40225589433dfc62ea.png

总而言之,我只是在一天内完成了这个竞赛问题的程序,但是我可以做一些事情来提高我的分数,例如更改我用来删除异常值的公式以及使用 GridSearchCV 来确定要使用的最佳参数。我还可以加入更多节日。

我不得不说,很高兴使用不会使我的计算机崩溃的较小数据集。

这篇文章的代码可以在我的个人 Kaggle 帐户中找到,链接在这里:

https://www.kaggle.com/tracyporter/jan-22-tabular-hist-grad-boost-reg?scriptVersionId=84230226

本文作者:Tracyrenee

670e41d3cea8ffdf1444c44b91f745a7.png

这篇关于Kaggle Tabular Playground Series - Jan 2022 的baseline和日期特征处理的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/900967

相关文章

Java堆转储文件之1.6G大文件处理完整指南

《Java堆转储文件之1.6G大文件处理完整指南》堆转储文件是优化、分析内存消耗的重要工具,:本文主要介绍Java堆转储文件之1.6G大文件处理的相关资料,文中通过代码介绍的非常详细,需要的朋友可... 目录前言文件为什么这么大?如何处理这个文件?分析文件内容(推荐)删除文件(如果不需要)查看错误来源如何避

使用Python构建一个高效的日志处理系统

《使用Python构建一个高效的日志处理系统》这篇文章主要为大家详细讲解了如何使用Python开发一个专业的日志分析工具,能够自动化处理、分析和可视化各类日志文件,大幅提升运维效率,需要的可以了解下... 目录环境准备工具功能概述完整代码实现代码深度解析1. 类设计与初始化2. 日志解析核心逻辑3. 文件处

Java docx4j高效处理Word文档的实战指南

《Javadocx4j高效处理Word文档的实战指南》对于需要在Java应用程序中生成、修改或处理Word文档的开发者来说,docx4j是一个强大而专业的选择,下面我们就来看看docx4j的具体使用... 目录引言一、环境准备与基础配置1.1 Maven依赖配置1.2 初始化测试类二、增强版文档操作示例2.

MyBatis-Plus通用中等、大量数据分批查询和处理方法

《MyBatis-Plus通用中等、大量数据分批查询和处理方法》文章介绍MyBatis-Plus分页查询处理,通过函数式接口与Lambda表达式实现通用逻辑,方法抽象但功能强大,建议扩展分批处理及流式... 目录函数式接口获取分页数据接口数据处理接口通用逻辑工具类使用方法简单查询自定义查询方法总结函数式接口

SpringBoot结合Docker进行容器化处理指南

《SpringBoot结合Docker进行容器化处理指南》在当今快速发展的软件工程领域,SpringBoot和Docker已经成为现代Java开发者的必备工具,本文将深入讲解如何将一个SpringBo... 目录前言一、为什么选择 Spring Bootjavascript + docker1. 快速部署与

Python使用vllm处理多模态数据的预处理技巧

《Python使用vllm处理多模态数据的预处理技巧》本文深入探讨了在Python环境下使用vLLM处理多模态数据的预处理技巧,我们将从基础概念出发,详细讲解文本、图像、音频等多模态数据的预处理方法,... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

Spring Boot @RestControllerAdvice全局异常处理最佳实践

《SpringBoot@RestControllerAdvice全局异常处理最佳实践》本文详解SpringBoot中通过@RestControllerAdvice实现全局异常处理,强调代码复用、统... 目录前言一、为什么要使用全局异常处理?二、核心注解解析1. @RestControllerAdvice2

Visual Studio 2022 编译C++20代码的图文步骤

《VisualStudio2022编译C++20代码的图文步骤》在VisualStudio中启用C++20import功能,需设置语言标准为ISOC++20,开启扫描源查找模块依赖及实验性标... 默认创建Visual Studio桌面控制台项目代码包含C++20的import方法。右键项目的属性:

HTML5 中的<button>标签用法和特征

《HTML5中的<button>标签用法和特征》在HTML5中,button标签用于定义一个可点击的按钮,它是创建交互式网页的重要元素之一,本文将深入解析HTML5中的button标签,详细介绍其属... 目录引言<button> 标签的基本用法<button> 标签的属性typevaluedisabled

电脑提示xlstat4.dll丢失怎么修复? xlstat4.dll文件丢失处理办法

《电脑提示xlstat4.dll丢失怎么修复?xlstat4.dll文件丢失处理办法》长时间使用电脑,大家多少都会遇到类似dll文件丢失的情况,不过,解决这一问题其实并不复杂,下面我们就来看看xls... 在Windows操作系统中,xlstat4.dll是一个重要的动态链接库文件,通常用于支持各种应用程序