遗传算法寻优
cross_val_score(lgb,train_X,train_y,scoring='f1',cv=sKfold).mean()
0.8508040614085857
train_1 = train.drop('label',1)
cols = train_1.columns
train_1.head()
|
经营期限起 |
是否广告经营 |
是否城镇 |
从业人数 |
注册资本(金) |
实缴资本 |
注册 - 实缴 |
行政区划代码_count_encode |
行业类别代码_count_encode |
行业细类代码_count_encode |
企业类型_count_encode |
企业类型小类_count_encode |
状态_count_encode |
机构标识_count_encode |
职位标识_count_encode |
组织形式_count_encode |
经营方式_count_encode |
风险行业_count_encode |
经营场所_count_encode |
企业(机构)类型_count_encode |
行政区划代码_catboost_encode |
行业类别代码_catboost_encode |
行业细类代码_catboost_encode |
企业类型_catboost_encode |
企业类型小类_catboost_encode |
状态_catboost_encode |
机构标识_catboost_encode |
职位标识_catboost_encode |
组织形式_catboost_encode |
经营方式_catboost_encode |
风险行业_catboost_encode |
经营场所_catboost_encode |
企业(机构)类型_catboost_encode |
行政区划代码_targe_encode |
行业类别代码_targe_encode |
行业细类代码_targe_encode |
企业类型_targe_encode |
企业类型小类_targe_encode |
状态_targe_encode |
机构标识_targe_encode |
职位标识_targe_encode |
组织形式_targe_encode |
经营方式_targe_encode |
风险行业_targe_encode |
经营场所_targe_encode |
企业(机构)类型_targe_encode |
行政区划代码_woe_encode |
行业类别代码_woe_encode |
行业细类代码_woe_encode |
企业类型_woe_encode |
企业类型小类_woe_encode |
状态_woe_encode |
机构标识_woe_encode |
职位标识_woe_encode |
组织形式_woe_encode |
经营方式_woe_encode |
风险行业_woe_encode |
经营场所_woe_encode |
企业(机构)类型_woe_encode |
行政区划代码_ord_encode |
行业类别代码_ord_encode |
行业细类代码_ord_encode |
企业类型_ord_encode |
企业类型小类_ord_encode |
状态_ord_encode |
机构标识_ord_encode |
职位标识_ord_encode |
组织形式_ord_encode |
经营方式_ord_encode |
风险行业_ord_encode |
经营场所_ord_encode |
企业(机构)类型_ord_encode |
状态_2015 |
资金数额_2015 |
从业人数_2015 |
从业人数是否公示_2015 |
经营状态名称_2015 |
是否有网站标志_2015 |
是否有对外投资企业标志_2015 |
有限责任公司本年度是否发生股东股权转让标志_2015 |
公示状态_2015 |
其中下岗失业人数雇员_2015 |
其中退役士兵人数雇员_2015 |
其中残疾人人数经营者_2015 |
其中下岗失业人数经营者_2015 |
其中退役士兵人数经营者_2015 |
其中高校毕业生人数经营者_2015 |
其中残疾人人数雇员_2015 |
从业人数是否公示_2016 |
经营状态名称_2016 |
是否有网站标志_2016 |
是否有对外投资企业标志_2016 |
有限责任公司本年度是否发生股东股权转让标志_2016 |
公示状态_2016 |
其中下岗失业人数雇员_2016 |
其中退役士兵人数雇员_2016 |
其中残疾人人数经营者_2016 |
其中下岗失业人数经营者_2016 |
其中退役士兵人数经营者_2016 |
其中高校毕业生人数经营者_2016 |
其中残疾人人数雇员_2016 |
其中高校毕业生人数雇员_2016 |
状态_2017 |
资金数额_2017 |
从业人数_2017 |
从业人数是否公示_2017 |
经营状态名称_2017 |
是否有网站标志_2017 |
是否有对外投资企业标志_2017 |
有限责任公司本年度是否发生股东股权转让标志_2017 |
公示状态_2017 |
其中下岗失业人数雇员_2017 |
其中退役士兵人数雇员_2017 |
其中残疾人人数经营者_2017 |
其中下岗失业人数经营者_2017 |
其中退役士兵人数经营者_2017 |
其中高校毕业生人数经营者_2017 |
其中残疾人人数雇员_2017 |
其中高校毕业生人数雇员_2017 |
状态_2018 |
资金数额_2018 |
从业人数_2018 |
从业人数是否公示_2018 |
经营状态名称_2018 |
是否有网站标志_2018 |
是否有对外投资企业标志_2018 |
有限责任公司本年度是否发生股东股权转让标志_2018 |
公示状态_2018 |
其中下岗失业人数雇员_2018 |
其中退役士兵人数雇员_2018 |
其中残疾人人数经营者_2018 |
其中下岗失业人数经营者_2018 |
其中退役士兵人数经营者_2018 |
其中高校毕业生人数经营者_2018 |
其中残疾人人数雇员_2018 |
其中高校毕业生人数雇员_2018 |
状态_mode |
从业人数是否公示_mode |
经营状态名称_mode |
是否有网站标志_mode |
是否有对外投资企业标志_mode |
有限责任公司本年度是否发生股东股权转让标志_mode |
公示状态_mode |
状态_ischange |
从业人数是否公示_ischange |
经营状态名称_ischange |
是否有网站标志_ischange |
是否有对外投资企业标志_ischange |
有限责任公司本年度是否发生股东股权转让标志_ischange |
公示状态_ischange |
其中残疾人人数雇员_max |
其中残疾人人数雇员_mean |
其中残疾人人数雇员_min |
其中残疾人人数经营者_max |
其中残疾人人数经营者_mean |
其中残疾人人数经营者_min |
其中退役士兵人数雇员_max |
其中退役士兵人数雇员_mean |
其中退役士兵人数雇员_min |
其中下岗失业人数雇员_max |
其中下岗失业人数雇员_mean |
其中下岗失业人数雇员_min |
其中高校毕业生人数经营者_max |
其中高校毕业生人数经营者_mean |
其中高校毕业生人数经营者_min |
其中下岗失业人数经营者_max |
其中下岗失业人数经营者_mean |
其中下岗失业人数经营者_min |
从业人数_max |
从业人数_mean |
从业人数_min |
其中退役士兵人数经营者_max |
其中退役士兵人数经营者_mean |
其中退役士兵人数经营者_min |
资金数额_max |
资金数额_mean |
资金数额_min |
其中高校毕业生人数雇员_max |
其中高校毕业生人数雇员_mean |
其中高校毕业生人数雇员_min |
其中残疾人人数雇员_range |
其中残疾人人数经营者_range |
其中退役士兵人数雇员_range |
其中下岗失业人数雇员_range |
其中高校毕业生人数经营者_range |
其中下岗失业人数经营者_range |
从业人数_range |
其中退役士兵人数经营者_range |
资金数额_range |
其中高校毕业生人数雇员_range |
id_count |
变更信息代码_110.0 |
变更信息代码_111.0 |
变更信息代码_112.0 |
变更信息代码_113.0 |
变更信息代码_115.0 |
变更信息代码_117.0 |
变更信息代码_118.0 |
变更信息代码_120.0 |
变更信息代码_121.0 |
变更信息代码_128.0 |
变更信息代码_129.0 |
变更信息代码_131.0 |
变更信息代码_133.0 |
变更信息代码_137.0 |
变更信息代码_138.0 |
变更信息代码_150.0 |
变更信息代码_190.0 |
变更信息代码_921.0 |
变更信息代码_922.0 |
变更信息代码_925.0 |
变更信息代码_930.0 |
变更信息代码_939.0 |
变更总次数 |
date_range |
变更频率 |
个人所得税 |
企业所得税 |
其他收入 |
印花税 |
土地增值税 |
地方教育附加 |
城市维护建设税 |
城镇土地使用税 |
契税 |
房产税 |
教育费附加 |
残疾人就业保障金 |
水利建设专项收入 |
税务部门罚没收入 |
营业税 |
税收总额 |
tax_date_range |
每天交税金额 |
是否有税收计记录 |
中立 |
消极 |
积极 |
曝光率 |
积极-消极 |
最近一次评价 |
中立评分比例 |
消极评分比例 |
积极评分比例 |
企业唯一标识 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
47645761dc56bb8c5fae00114b768b5d9b6e917c3aec07c4 |
479 |
0 |
0 |
5.0 |
50.0 |
0 |
52.0 |
1803 |
7017 |
234 |
14085 |
5679 |
21583 |
929 |
163 |
14234 |
15865 |
16428 |
18792 |
4795 |
0.018143 |
0.001633 |
0.000307 |
0.039825 |
0.028175 |
0.072861 |
0.033443 |
0.000437 |
0.081049 |
0.098250 |
0.095310 |
0.081644 |
0.008410 |
0.018100 |
0.001620 |
0.000000 |
0.039823 |
0.028165 |
0.072862 |
3.338898e-02 |
0.000000e+00 |
0.081051 |
0.098254 |
0.095313 |
0.081645 |
0.008394 |
-1.297707 |
-3.657842 |
-2.722611 |
-0.531992 |
-0.884355 |
0.105468 |
-0.670478 |
-2.369253 |
0.221020 |
0.432157 |
0.398518 |
0.228804 |
-2.090216 |
1.0 |
1.0 |
1.0 |
1.0 |
1.0 |
1 |
1 |
1.0 |
1 |
1.0 |
1 |
1.0 |
1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
-1.0 |
-1.000000 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
1.0 |
0.0 |
0.0 |
59b38c56de3836838082cfcb1a298951abfe15e6940c49ba |
47 |
0 |
0 |
2.0 |
100.0 |
0 |
102.0 |
5481 |
2968 |
43 |
14085 |
5679 |
21583 |
3617 |
260 |
14234 |
15865 |
16428 |
18792 |
4795 |
0.122277 |
0.002830 |
0.001610 |
0.039825 |
0.028175 |
0.072861 |
0.220212 |
0.000253 |
0.081049 |
0.098250 |
0.095310 |
0.081644 |
0.008410 |
0.122292 |
0.002795 |
0.000000 |
0.039823 |
0.028165 |
0.072862 |
2.202797e-01 |
0.000000e+00 |
0.081051 |
0.098254 |
0.095313 |
0.081645 |
0.008394 |
0.679055 |
-3.047387 |
-1.065545 |
-0.531992 |
-0.884355 |
0.105468 |
1.385412 |
-2.916493 |
0.221020 |
0.432157 |
0.398518 |
0.228804 |
-2.090216 |
2.0 |
2.0 |
2.0 |
1.0 |
1.0 |
1 |
2 |
2.0 |
1 |
1.0 |
1 |
1.0 |
1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
-1.0 |
-1.000000 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
1.0 |
0.0 |
0.0 |
e9f7b28ec10e047000d16ab79e1b5e6da434a1697cce7818 |
1859 |
0 |
1 |
2.0 |
10.0 |
0 |
12.0 |
2092 |
1428 |
722 |
2180 |
757 |
21583 |
1361 |
87 |
14234 |
575 |
16428 |
18792 |
757 |
0.046508 |
0.609421 |
0.718118 |
0.523964 |
0.003689 |
0.072861 |
0.070961 |
0.057849 |
0.081049 |
0.004007 |
0.095310 |
0.081644 |
0.003689 |
0.046492 |
0.610147 |
0.719794 |
0.524402 |
0.003472 |
0.072862 |
7.096774e-02 |
5.769231e-02 |
0.081051 |
0.003774 |
0.095313 |
0.081645 |
0.003472 |
-0.355709 |
3.094724 |
3.585902 |
2.745526 |
-2.321786 |
0.105468 |
0.092740 |
0.122299 |
0.221020 |
-2.238555 |
0.398518 |
0.228804 |
-2.321786 |
3.0 |
3.0 |
3.0 |
2.0 |
2.0 |
1 |
3 |
3.0 |
1 |
2.0 |
1 |
1.0 |
2.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
0.0 |
1.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
1.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
1.0 |
0.0 |
0.0 |
3.0 |
0.0 |
3.000000 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
1.0 |
0.0 |
0.0 |
f000950527a6feb63ee1ce82bb22ddd1ab8b8fdffa3b91fb |
1066 |
0 |
0 |
-1.0 |
100.0 |
0 |
102.0 |
5481 |
2968 |
336 |
14085 |
7467 |
3109 |
2261 |
53 |
14234 |
15865 |
16428 |
18792 |
7467 |
0.122277 |
0.002830 |
0.000269 |
0.039825 |
0.030685 |
0.019527 |
0.139795 |
0.021320 |
0.081049 |
0.098250 |
0.095310 |
0.081644 |
0.030685 |
0.122292 |
0.002795 |
0.000000 |
0.039823 |
0.030678 |
0.019502 |
1.398545e-01 |
2.040816e-02 |
0.081051 |
0.098254 |
0.095313 |
0.081645 |
0.030678 |
0.679055 |
-3.047387 |
-2.853231 |
-0.531992 |
-0.798098 |
-1.242689 |
0.836353 |
-0.550646 |
0.221020 |
0.432157 |
0.398518 |
0.228804 |
-0.798098 |
2.0 |
2.0 |
4.0 |
1.0 |
3.0 |
2 |
4 |
4.0 |
1 |
1.0 |
1 |
1.0 |
3.0 |
-1.0 |
-1.0 |
2.0 |
2.0 |
-1.0 |
-1.0 |
4.0 |
3.0 |
-1.0 |
-1.0 |
4.0 |
3.0 |
-1.0 |
-1.0 |
2.0 |
2.0 |
-1.0 |
-1.0 |
2.0 |
2.0 |
-1.0 |
-1.0 |
2.0 |
2.0 |
-1.0 |
-1.0 |
2.0 |
2.0 |
-1.0 |
-1.0 |
3.0 |
3.0 |
-1.0 |
-1.0 |
0.0 |
0.0 |
-1.0 |
-1.0 |
0.0 |
0.0 |
-1.0 |
-1.0 |
0.0 |
0.0 |
-1.0 |
-1.0 |
0.0 |
0.0 |
-1.0 |
-1.0 |
3.0 |
1.0 |
-1.0 |
-1.0 |
0.0 |
0.0 |
-1.0 |
-1.0 |
0.0 |
0.0 |
-1.0 |
-1.0 |
1.0 |
2.0 |
2.0 |
2.0 |
0.0 |
2.0 |
2.0 |
2.0 |
3.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
4.0 |
3.5 |
3.0 |
3.0 |
2.0 |
1.0 |
4.0 |
3.5 |
3.0 |
2.0 |
1.5 |
1.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
1.0 |
2.0 |
1.0 |
1.0 |
2.0 |
0.0 |
0.0 |
1.0 |
0.0 |
0.0 |
0.0 |
0.0 |
1.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
1.0 |
3.0 |
220.0 |
0.013575 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
1.0 |
0.0 |
0.0 |
9c7fa510616a6830b878f3c8c4317d93e1b022e7f22ae231 |
90 |
0 |
1 |
5.0 |
20.0 |
0 |
22.0 |
1338 |
10312 |
246 |
8193 |
8214 |
21583 |
41 |
27 |
10610 |
8186 |
8115 |
1 |
8193 |
0.035840 |
0.001466 |
0.000325 |
0.000014 |
0.000014 |
0.072861 |
0.002200 |
0.002357 |
0.037043 |
0.000014 |
0.001328 |
0.065994 |
0.000014 |
0.035802 |
0.001455 |
0.000000 |
0.000000 |
0.000000 |
0.072862 |
4.563131e-14 |
3.371647e-13 |
0.037037 |
0.000000 |
0.001314 |
0.065994 |
0.000000 |
-0.612630 |
-3.765978 |
-2.665179 |
-5.790555 |
-5.794011 |
0.105468 |
-0.753170 |
-0.684177 |
-0.604969 |
-5.790339 |
-3.831579 |
0.000000 |
-5.790555 |
4.0 |
4.0 |
5.0 |
3.0 |
4.0 |
1 |
5 |
5.0 |
2 |
3.0 |
2 |
2.0 |
4.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
-1.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
-1.0 |
-1.000000 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
1.0 |
0.0 |
0.0 |
sKfold = StratifiedKFold(n_splits=5, shuffle=True, random_state=2020)
def fun_(x):
'''传入长度为特征数量的0,1向量,转化为bool之后作为特征的索引,提取特征子集,使用特征子集进行选了返回目标函数值'''
X = train_1[cols[x.astype('bool')]].values
val = cross_val_score(lgb,X,train_y,scoring='f1',cv=sKfold).mean()
return val
def GV_col(func,len_,num_,it_num = 50,jiaopei = 0.8,bianyi = 0.2):
'''
func:目标函数 输入为0,1向量,输出为目标函数值
len_:特征维度
it_num:种群的数量
jiaopei:种群进行杂交的概率
bianyi:种群进行变异的概率
返回值:传入长度为特征数量的0,1向量
历史种群达到的最优值
'''
pop = np.random.randint(0,2,(num_,len_))
best_f = 0
list_best_f = []
for _ in range(it_num):
scores = [func(i) for i in pop]
best_fit_ = scores[np.argmax(scores)]
if best_fit_ > best_f:
best_f = best_fit_
best_p = pop[np.argmax(scores)]
list_best_f.append(best_f)
fitness = scores - min(scores) + 0.01
idx = np.random.choice(np.arange(num_), size=num_, replace=True,
p=(fitness)/(fitness.sum()) )
pop = np.array(pop)[idx]
new_pop = []
for father in pop:
child = father
if np.random.rand() < jiaopei:
mother_id = np.random.randint(num_)
low_point = np.random.randint(len_)
high_point = np.random.randint(low_point+1,len_+1)
child[low_point:high_point] = pop[mother_id][low_point:high_point]
if np.random.rand() < bianyi:
mutate_point = np.random.randint(0, len_)
child[mutate_point] = 1 - child[mutate_point]
new_pop.append(child)
pop = new_pop
print(f'{_}/{it_num},当前分数:{best_f}')
return best_p,list_best_f
w = GV_col(fun_,244,10,30,0.9,0.3)
0/30,当前分数:0.8422718298032565
1/30,当前分数:0.8422718298032565
2/30,当前分数:0.8487626570528729
3/30,当前分数:0.8487626570528729
4/30,当前分数:0.850974123058376
5/30,当前分数:0.850974123058376
6/30,当前分数:0.850974123058376
7/30,当前分数:0.850974123058376
8/30,当前分数:0.850974123058376
9/30,当前分数:0.850974123058376
10/30,当前分数:0.850974123058376
11/30,当前分数:0.850974123058376
12/30,当前分数:0.850974123058376
13/30,当前分数:0.850974123058376
14/30,当前分数:0.850974123058376
15/30,当前分数:0.850974123058376
16/30,当前分数:0.850974123058376
17/30,当前分数:0.850974123058376
18/30,当前分数:0.850974123058376
19/30,当前分数:0.850974123058376
20/30,当前分数:0.850974123058376
21/30,当前分数:0.850974123058376
22/30,当前分数:0.850974123058376
23/30,当前分数:0.850974123058376
24/30,当前分数:0.850974123058376
25/30,当前分数:0.850974123058376
26/30,当前分数:0.8518982053263855
27/30,当前分数:0.8518982053263855
28/30,当前分数:0.8518982053263855
29/30,当前分数:0.8518982053263855
plt.plot(w[1])
[]
![【特征选择】使用遗传算法进行特征选择_第1张图片](http://img.e-com-net.com/image/info8/a7a627b2f36144889212c1a5b51e56d0.jpg)
lgb.fit(train_X,train_y)
LGBMClassifier(max_depth=4, min_child_samples=10, n_estimators=150,
num_leaves=14, reg_alpha=0.28296338218326345,
reg_lambda=0.18095776927233131, subsample=0.8272103969163492)
cols_2 = train.drop('label',1).columns[lgb.feature_importances_.astype('bool')]
train_X_2 = train[cols_2].values
cross_val_score(lgb,train_X_2,train_y,scoring='f1',cv=sKfold).mean()
0.8496644165439153
cols_3 = cols[w[0].astype('bool')]
train_X_3 = train[cols_3].values
cross_val_score(lgb,train_X_3,train_y,scoring='f1',cv=sKfold).mean()
0.8518982053263855