数据挖掘

Posted 2021-03-04 leonardoo

1.2.1 赛题概况

比赛要求参赛选手根据给定的数据集，建立模型，二手汽车的交易价格。

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。

通过这道赛题来引导大家走进 AI 数据竞赛的世界，主要针对于于竞赛新人进行自我练 习、自我提高。

1.2.2 数据概况

---

一般而言，对于数据在比赛界面都有对应的数据概况介绍（匿名特征除外），说明列的性质特征。了解列的性质会有助于我们对于数据的理解和后续分析。 Tip:匿名特征，就是未告知数据列所属的性质的特征列。

---

train.csv

• name - 汽车编码
• regDate - 汽车注册时间
• model - 车型编码
• brand - 品牌
• bodyType - 车身类型
• fuelType - 燃油类型
• gearbox - 变速箱
• power - 汽车功率
• kilometer - 汽车行驶公里
• notRepairedDamage - 汽车有尚未修复的损坏
• regionCode - 看车地区编码
• seller - 销售方
• offerType - 报价类型
• creatDate - 广告发布时间
• price - 汽车价格
• v_0‘, ‘v_1‘, ‘v_2‘, ‘v_3‘, ‘v_4‘, ‘v_5‘, ‘v_6‘, ‘v_7‘, ‘v_8‘, ‘v_9‘, ‘v_10‘, ‘v_11‘, ‘v_12‘, ‘v_13‘,‘v_14‘（根据汽车的评论、标签等大量信息得到的embedding向量）【人工构造 匿名特征】

数字全都脱敏处理，都为label encoding形式，即数字形式

1.2.3 预测指标

---

本赛题的评价标准为MAE(Mean Absolute Error):

$$ MAE=frac{sum_{i=1}^{n}left|y_{i}-hat{y}{i} ight|}{n} $$ 其中$y{i}$代表第$i$个样本的真实值，其中$hat{y}_{i}$代表第$i$个样本的预测值。

---

一般问题评价指标说明:

什么是评估指标：

评估指标即是我们对于一个模型效果的数值型量化。（有点类似与对于一个商品评价打分，而这是针对于模型效果和理想效果之间的一个打分）

一般来说分类和回归问题的评价指标有如下一些形式：

分类算法常见的评估指标如下：

• 对于二类分类器/分类算法，评价指标主要有accuracy， [Precision，Recall，F-score，Pr曲线]，ROC-AUC曲线。
• 对于多类分类器/分类算法，评价指标主要有accuracy， [宏平均和微平均，F-score]。

对于回归预测类常见的评估指标如下:

• 平均绝对误差（Mean Absolute Error，MAE），均方误差（Mean Squared Error，MSE），平均绝对百分误差（Mean Absolute Percentage Error，MAPE），均方根误差（Root Mean Squared Error）， R2（R-Square）

平均绝对误差 平均绝对误差（Mean Absolute Error，MAE）:平均绝对误差，其能更好地反映预测值与真实值误差的实际情况，其计算公式如下： $$ MAE=frac{1}{N} sum_{i=1}^{N}left|y_{i}-hat{y}_{i} ight| $$

均方误差 均方误差（Mean Squared Error，MSE）,均方误差,其计算公式为： $$ MSE=frac{1}{N} sum_{i=1}^{N}left(y_{i}-hat{y}_{i} ight)^{2} $$

R2（R-Square）的公式为： 残差平方和： $$ SS_{res}=sumleft(y_{i}-hat{y}{i} ight)^{2} $$ 总平均值: $$ SS{tot}=sumleft(y_{i}-overline{y}_{i} ight)^{2} $$

其中$overline{y}$表示$y$的平均值 得到$R^2$表达式为： $$ R^{2}=1-frac{SS_{res}}{SS_{tot}}=1-frac{sumleft(y_{i}-hat{y}{i} ight)^{2}}{sumleft(y{i}-overline{y} ight)^{2}} $$ $R^2$用于度量因变量的变异中可由自变量解释部分所占的比例，取值范围是 0~1，$R^2$越接近1,表明回归平方和占总平方和的比例越大,回归线与各观测点越接近，用x的变化来解释y值变化的部分就越多,回归的拟合程度就越好。所以$R^2$也称为拟合优度（Goodness of Fit）的统计量。

$y_{i}$表示真实值，$hat{y}{i}$表示预测值，$overline{y}{i}$表示样本均值。得分越高拟合效果越好。

1.2.4. 分析赛题

1. 此题为传统的数据挖掘问题，通过数据科学以及机器学习深度学习的办法来进行建模得到结果。
2. 此题是一个典型的回归问题。
3. 主要应用xgb、lgb、catboost，以及pandas、numpy、matplotlib、seabon、sklearn、keras等等数据挖掘常用库或者框架来进行数据挖掘任务。
4. 通过EDA来挖掘数据的联系和自我熟悉数据。

1.3 代码示例

本部分为对于数据读取和指标评价的示例。

1.3.1 数据读取pandas

import pandas as pd
import numpy as np

path = ‘./data/‘
## 1) 载入训练集和测试集；
Train_data = pd.read_csv(path+‘train.csv‘, sep=‘ ‘)
Test_data = pd.read_csv(path+‘testA.csv‘, sep=‘ ‘)
print(‘Train data shape:‘,Train_data.shape)
print(‘TestA data shape:‘,Test_data.shape)

Train data shape: (150000, 31)
TestA data shape: (50000, 30)

Train_data.head()

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}