从 0 到 1 走进 Kaggle

时间:2022-05-07
本文章向大家介绍从 0 到 1 走进 Kaggle,主要内容包括kaggle 是什么?、如何参赛?、解决问题一般步骤?、如何探索数据?、如何构造特征?、提交结果、基本概念、基础应用、原理机制和需要注意的事项等,并结合实例形式分析了其使用技巧,希望通过本文能帮助到大家理解应用这部分内容。

本文结构:

  • kaggle 是什么
  • 如何参赛
  • 解决问题一般步骤
  • 进一步:
    • 如何探索数据
    • 如何构造特征
  • 提交结果

kaggle 是什么?

Kaggle 是一个数据科学竞赛的平台,很多公司会发布一些接近真实业务的问题,吸引爱好数据科学的人来一起解决。 https://www.kaggle.com/

点击导航栏的 competitions 可以看到有很多比赛,其中正式比赛,一般会有奖金或者工作机会,除了正式比赛还有一些为初学者提供的 playground,在这里可以先了解这个比赛,练习能力,再去参加正式比赛。 https://www.kaggle.com/competitions


如何参赛?

以 playground 中的这个 House Prices 预测为例, https://www.kaggle.com/c/house-prices-advanced-regression-techniques

Overview: 首先在 overview 中仔细阅读问题的描述,这个比赛是让我们预测房价,它会给我们 79 个影响房价的变量,我们可以通过应用 random forest,gradient boosting 等算法,来对房价进行预测。

Data:在这里给我们提供了 train 数据集,用来训练模型;test 数据集,用来将训练好的模型应用到这上面,进行预测,这个结果也是要提交到系统进行评价的;sample_submission 就是我们最后提交的 csv 文件中,里面的列的格式需要和这里一样。

Kernels:可以看到一些参赛者分享的代码。

Discussion:参赛者们可以在这里提问,分享经验。

Leaderboard:就是参赛者的排行榜。

参加 kaggle 最简单的流程就是:

第一步:在 Data 里面下载三个数据集,最基本的就是上面提到的三个文件,有些比赛会有附加的数据描述文件等。 第二步:自己在线下分析,建模,调参,把用 test 数据集预测好的结果,按照 sample_submission 的格式输出到 csv 文件中。 第三步:点击蓝色按钮 ’Submit Predictions’ ,把 csv 文件拖拽进去,然后系统就会加载并检验结果,稍等片刻后就会在 Leaderboard 上显示当前结果所在的排名位置。

上传过一次结果之后,就直接加入了这场比赛。正式比赛中每个团队每天有 5 次的上传机会,然后就要等 24 小时再次传结果,playground 的是 9 次。


解决问题一般步骤?

应用算法解决 Kaggle 问题,一般会有以下几个步骤:

  1. 识别问题
  2. 探索数据
  3. 数据预处理
  4. 将 train.csv 分成 train 和 valid 数据
  5. 构造新的重要特征数据
  6. 应用算法模型
  7. 优化模型
  8. 选择提取重要特征
  9. 再次选择模型,进行训练
  10. 调参
  11. 重复上述过程,进一步调优
  12. 预测

当然上面是相对细的分步,如果简化的话,是这么几大步:

  1. 探索数据
  2. 特征工程
  3. 建立模型
  4. 调参
  5. 预测提交

之前写过一篇文章,《一个框架解决几乎所有机器学习问题》 http://blog.csdn.net/aliceyangxi1987/article/details/71079448 里面的重点是介绍了常用算法模型一般需要调节什么参数,即第四步。

还有这篇,《通过一个kaggle实例学习解决机器学习问题》 http://blog.csdn.net/aliceyangxi1987/article/details/71079473 主要介绍了第三步建立模型的部分,包括 ensemble 的例子。

今天这篇文章算是一个补充,在观察数据和特征构造上学习几种常用的方式。


如何探索数据?

以 House prices 为例,探索数据常用方法有以下 6 步。 https://www.kaggle.com/c/house-prices-advanced-regression-techniques

1. 首先,在 data_description.txt 这里有对 79 个变量含义非常详细的描述

我们可以先通过阅读变量含义,根据常识猜测一下,哪些变量会对预测结果有比较重要的影响。

例如: OverallQual: Overall material and finish quality 物料和质量应该是很重要的组成。 GrLivArea: Above grade (ground) living area square feet 面积也是明显的因素。 YearBuilt: Original construction date 时间也有影响。

2. 接着,对要预测的目标数据 y 有一个宏观的把握,这里是输出 summary,也可以用 boxplot,histogram 等形式观察

df_train['SalePrice'].describe()

count      1460.000000
mean     180921.195890
std       79442.502883
min       34900.000000
25%      129975.000000
50%      163000.000000
75%      214000.000000
max      755000.000000
Name: SalePrice, dtype: float64

count 就是有多少行观察记录,另外注意一下 min 并未有小于 0 的这样的不合理的数值。

3. 通过 Correlation matrix 观察哪些变量会和预测目标关系比较大,哪些变量之间会有较强的关联

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

我们可以看上图的最右边一列(也可以是下面最后一行),颜色由深到浅查看, 可以发现 OverallQual 和 GrLivArea 的确是对目标影响较大的因素, 另外观察中间区域的几个深色块,例如 'TotalBsmtSF' 和 '1stFlrSF' 二者关系较强,回看它们的定义,它们所包含的信息差不多所以才有显示出强关联:

TotalBsmtSF: Total square feet of basement area 1stFlrSF: First Floor square feet

那这种时候,我们可以只取其中一个特征。

或者我们可以把与目标 'SalePrice' 最紧密关联的 10 个变量的关联度打印出来:

#saleprice correlation matrix
k = 10 #number of variables for heatmap
cols = corrmat.nlargest(k, 'SalePrice')['SalePrice'].index
cm = np.corrcoef(df_train[cols].values.T)
sns.set(font_scale=1.25)
hm = sns.heatmap(cm, cbar=True, annot=True, square=True, fmt='.2f', annot_kws={'size': 10}, yticklabels=cols.values, xticklabels=cols.values)
plt.show()

通过这些数值,我们再一一观察变量含义,判断一下是否可以把其中某些变量删除。

4. 接下来看 missing value

#missing data
total = df_train.isnull().sum().sort_values(ascending=False)
percent = (df_train.isnull().sum()/df_train.isnull().count()).sort_values(ascending=False)
missing_data = pd.concat([total, percent], axis=1, keys=['Total', 'Percent'])
missing_data.head(20)

先把每个变量的 NaN 记录个数求和算出来,再把所占的比例计算一下, 对于占比例太大的变量,例如超过了 15%,就看看它的含义,如果不是很重要,这种数据是可以删掉的, 对于剩下的,再一个一个查看变量的含义,及比例,判断是否可以删掉, 最后一个变量只有一条是 missing 的,那么就可以只删掉这一个记录。 此外,我们还可以通过补充 missing 的值,通过实际变量的含义进行补充,例如类别型变量,就可以补充成 No,数值型变量可以补充成 0,或者用平均值来填充。

#dealing with missing data
df_train = df_train.drop((missing_data[missing_data['Total'] > 1]).index,1)
df_train = df_train.drop(df_train.loc[df_train['Electrical'].isnull()].index)

5. 下面是看 outliers 我们可以先来看主要的几个变量的 outliers

#bivariate analysis saleprice/grlivarea
var = 'GrLivArea'
data = pd.concat([df_train['SalePrice'], df_train[var]], axis=1)
data.plot.scatter(x=var, y='SalePrice', ylim=(0,800000));

例如 'GrLivArea' 这个变量,它的右下角这几个点离主体就比较远,可以猜测一下产生这样数据的原因,但因为不能代表主体的,所以此时先删掉:

#deleting points
df_train.sort_values(by = 'GrLivArea', ascending = False)[:2]
df_train = df_train.drop(df_train[df_train['Id'] == 1299].index)
df_train = df_train.drop(df_train[df_train['Id'] == 524].index)

6. 很重要的一步是把不符合正态分布的变量给转化成正态分布的 因为一些统计检验方法需要数据满足正态分布的条件。

#histogram and normal probability plot
sns.distplot(df_train['SalePrice'], fit=norm);
fig = plt.figure()
res = stats.probplot(df_train['SalePrice'], plot=plt)

这个图里可以看到 'SalePrice' 的分布是正偏度,在正偏度的情况下,用 log 取对数后可以做到转换:

#applying log transformation
df_train['SalePrice'] = np.log(df_train['SalePrice'])

同样,我们可以把其他不符合正态分布的变量进行转化, 例如 GrLivArea 和 目标值 SalePrice 在转化之前的关系图是类似锥形的:

#scatter plot
plt.scatter(df_train['GrLivArea'], df_train['SalePrice']);

在对 GrLivArea 转换后,

#data transformation
df_train['GrLivArea'] = np.log(df_train['GrLivArea'])

如何构造特征?

通过上面的步骤,我们大概可以筛选出一些重要的特征,除了数据集给定的变量之外,我们也可以自己建立一些新的特征。

1. 数值变类别型 例如,MoSold: Month Sold 这个变量看起来是数值型的,但其实更符合类别型的,所以要做一下转换:

"MoSold" : {1 : "Jan", 2 : "Feb", 3 : "Mar", 4 : "Apr", 5 : "May", 6 : "Jun", 7 : "Jul", 8 : "Aug", 9 : "Sep", 10 : "Oct", 11 : "Nov", 12 : "Dec"}

2. 类别型加顺序 例如,Functional: Home functionality rating 这个变量,它是个 rating,那么这种数值应该是有序的,并且这种顺序是带有信息的,那我们就给转化成数字:

"Functional" : {"Sal" : 1, "Sev" : 2, "Maj2" : 3, "Maj1" : 4, "Mod": 5, "Min2" : 6, "Min1" : 7, "Typ" : 8}

3. 简化类别 当然类别太多了的不好,可以进一步简化成两三个等级:

train["SimplFunctional"] = train.Functional.replace(
{1 : 1, 2 : 1, # bad
3 : 2, 4 : 2, # major
5 : 3, 6 : 3, 7 : 3, # minor
8 : 4 # typical})

4. 构造多项式 另外一种常用的方式是构造多项式,一般是 2次项,3次项,开平方:

train["OverallQual-s2"] = train["OverallQual"] ** 2
train["OverallQual-s3"] = train["OverallQual"] ** 3
train["OverallQual-Sq"] = np.sqrt(train["OverallQual"])

5. 加减乘除 还有通过加减乘除的数学关系构造:

OverallQual: Overall material and finish quality OverallCond: Overall condition rating

train["OverallGrade"] = train["OverallQual"] * train["OverallCond"]

6. 变为 one-hot 然后我们来把 categorical 的变量给变成 one-hot 的形式:

#convert categorical variable into dummy
df_train = pd.get_dummies(df_train)

提交结果

接下来用一个最简单的线性规划,来展示一下运行步骤,

1. 引入常用包

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

2. 导入数据

train = pd.read_csv("train.csv")
test = pd.read_csv("test.csv")

print ("Train data shape:", train.shape)
print ("Test data shape:", test.shape)
#('Train data shape:', (1460, 81))
#('Test data shape:', (1459, 80))

3. 取 log 转化为正态,看 correlation,处理 outliers,missing value 此处可以对 train 数据集应用数据探索的几种方法。

#取 log 转化为正态
target = np.log(train.SalePrice)

#看 correlation
numeric_features = train.select_dtypes(include=[np.number])
numeric_features.dtypes
corr = numeric_features.corr()
print (corr['SalePrice'].sort_values(ascending=False)[:5], 'n')
print (corr['SalePrice'].sort_values(ascending=False)[-5:])

#处理 outliers
train = train[train['GarageArea'] < 1200]

#处理 missing value
data = train.select_dtypes(include=[np.number]).interpolate().dropna() 

4. 转化为 one-hot 向量 这里可以用构造特征的几种方法。

train['enc_street'] = pd.get_dummies(train.Street, drop_first=True)
test['enc_street'] = pd.get_dummies(train.Street, drop_first=True)

5. 模型训练,预测train_test_split 将 train 数据集分为 train 和 valid 数据, 只用一个简单的 linear_model 来拟合,用 mean_squared_error 得到误差值。

y = np.log(train.SalePrice)
X = data.drop(['SalePrice', 'Id'], axis=1)

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
                                    X, y, random_state=42, test_size=.33)
                                    
from sklearn import linear_model
lr = linear_model.LinearRegression()

model = lr.fit(X_train, y_train)

predictions = model.predict(X_test)

from sklearn.metrics import mean_squared_error
print ('RMSE is: n', mean_squared_error(y_test, predictions))

对 test.csv 应用刚才的模型进行预测, 因为前面对 test 数据取了 log,这里要用 exp 变为原来的范围。

feats = test.select_dtypes(
        include=[np.number]).drop(['Id'], axis=1).interpolate()
predictions = model.predict(feats)
final_predictions = np.exp(predictions)

6. 提交结果

构造一个 submission 格式的 csv, 将 final_predictions 作为预测值列输入进去, 输出这个 csv 后,就可以在比赛主页上的 submit 蓝色按钮上点击提交。

submission = pd.DataFrame()
submission['Id'] = test.Id
submission['SalePrice'] = final_predictions
submission.to_csv('output.csv', index=False)

#Your submission scored 0.13878

初级的结果出来了,大概在50%的排位,之后可以尝试其他算法: 例如 Random Forest Regressors , Gradient Boosting,ensembling models 等,以及过拟合的分析,配合特征工程等。


这篇文章里面的代码例子,并不会带你进入前几位,只是介绍一个完整的过程,常用的方法和代码实现,至于如何让算法发挥高效作用,就看玩家怎么挖掘特征,怎么组合算法和特征,怎么调参了,因为这也是最有趣的环节,以一个轻松的方式入门,再以一个提升的心态不断进步。

参考: https://www.kaggle.com/pmarcelino/comprehensive-data-exploration-with-python https://www.kaggle.com/juliencs/a-study-on-regression-applied-to-the-ames-dataset