第一次参加Kaggle

过程：

下午看书看得太难受了，超无聊的，就想着干脆先跳过这些公式和语法，直接先开一场Kaggle

注册，头一次选择项目参赛，选了个看起来数据很规整，纯数字的（因为我不会图像）：

树叶分类比赛:

https://www.kaggle.com/c/leaf-classification/

磨磨磨了一个下午加晚上终于写完了：

# -*- coding: utf-8 -*-
"""
Created on Sun Sep 25 13:51:57 2016

@author: ATE
"""
#import------------------------------------
from pandas import DataFrame
from pandas import Series
import pandas as pd
from sklearn.tree import DecisionTreeRegressor  
from sklearn.ensemble import RandomForestRegressor  
import numpy as np 

#read-------------------------------------
trainPath='train.csv'
prodictPath='test.csv'
samplePath='sample_submission.csv'
savePath='result.csv'

trainSet=pd.read_csv(trainPath) 
prodictSet=pd.read_csv(prodictPath) 
submissionSet=pd.read_csv(samplePath)

#data_transform---------------------------
targetSet=trainSet['species']
train=trainSet.drop('species',axis=1)

targetTypeDict=Series(targetSet.unique()).to_dict()
targetTypeMapDict=dict((v,k) for k,v in targetTypeDict.iteritems())

targetSet=targetSet.map(targetTypeMapDict)

#randomForest------------------------------------

rf = RandomForestRegressor()  
rf.fit(train,targetSet)
res=rf.predict(prodictSet)  
#data_reform--------------------------------

res=np.around(res, decimals=0)
resSeries=Series(res)
resSeries=resSeries.map(targetTypeDict)


submissionSetS=submissionSet.applymap(lambda x:0)

indexList=range(len(resSeries))

for index in indexList:
        typeName=resSeries[index]
        submissionSetS.loc[index,typeName]=1
    
submissionSetS['id']=submissionSet['id']
submissionSetS.to_csv(savePath,index=False)

对于初次参赛者来说，最难的是把结果数据重新构造回去的过程，花了一个晚上哈哈哈哈

结果：

竟然最后还不是最后一名：

倒数第四，嗯嗯，还是比三个人厉害呢！

而且分类错误率“只有”33%，对于一个不是生物学专业的来说还是很强？

哈哈哈哈哈哈哈，总之第一次熟悉了流程，感觉还是很兴奋和好玩的

结果我去看一下别人的代码：

import pandas as pd
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.grid_search import GridSearchCV
from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import StandardScaler
from sklearn import svm
from sklearn.ensemble import RandomForestClassifier

np.random.seed(42)

train = pd.read_csv('../input/train.csv')
x_train = train.drop(['id', 'species'], axis=1).values
le = LabelEncoder().fit(train['species'])
y_train = le.transform(train['species'])
scaler = StandardScaler().fit(x_train)
x_train = scaler.transform(x_train)

test = pd.read_csv('../input/test.csv')
test_ids = test.pop('id')
x_test = test.values
scaler = StandardScaler().fit(x_test)
x_test = scaler.transform(x_test)

#params = {'C':[1, 10, 50, 100, 500, 1000, 2000], 'tol': [0.001, 0.0001, 0.005], 'solver':  ["newton-cg"]}
#log_reg = LogisticRegression(multi_class="multinomial")
#clf = GridSearchCV(log_reg, params, scoring='log_loss', refit='True', n_jobs=1, cv=5)
#clf.fit(x_train, y_train)
#y_test = clf.predict_proba(x_test)

log_reg = LogisticRegression(C=2000, multi_class="multinomial", tol=0.0001, solver='newton-cg')
log_reg.fit(x_train, y_train)
y_test = log_reg.predict_proba(x_test)


#params = {'n_estimators':[1, 10, 50, 100, 500]}
#random_forest = RandomForestClassifier()
#clf = GridSearchCV(random_forest, params, scoring='log_loss', refit='True', n_jobs=1, cv=5)
#clf.fit(x_train, y_train)
#y_test = clf.predict_proba(x_test)

submission = pd.DataFrame(y_test, index=test_ids, columns=le.classes_)
submission.to_csv('submission2.csv')

what？二十行就写完了？what？就一个逻辑回归就搞定了？错误率才0.02？要知道我可是用了高大上的随机森林啊！what？我翻来倒去弄来弄去的数据规整，竟然sklearn里有一个叫LabelEncoder的工具两行就搞定了？

吊飞了！哈哈哈看来还要好多东西可以学啊！

感受：

真的能学到好多东西。

感觉最大的不同就是kaggle里你是按照自己的想法去写代码的，想到哪里写哪里，如果一个语法写不出来就用别的办法绕过，所以基本上都能写出来。终于没有那种被python的奇葩语法各种烦的感觉了，可能是自己也熟一点了，也可能是感觉自己做的事情更有意义了。

而且最后看看自己是怎么被大神各种虐的，学到一招两招，也是超爽的感觉。

如果不自己试着做一遍，可能看到大神的代码，也是一点感觉都没有的，有感触的句子，可能也很少吧。

而且，一开始我还在想可能排前面的人用了各种优化，比如，根据名字的拼写来确定两个分类间的接近的关系（比如Acer_Opalus和Acer_Platanoids可能就有点相近的关系），或者用图像的方法把图片做了特征什么的，结果并不是这样......人家直接一个逻辑回归就把正确率压倒0.02了，用神经网络的话更是很快就降到0了。。。。可能是这个例子太简单了吧。。。。