Datawhale夏令营之机器学习实践（二）
续前缘
Datawhale夏令营之机器学习实践（一）
本次任务
| 任务二：
|
Baseline精读
本次精读基于以下视频链接：
【AI夏令营】ML赛事解析 & Baseline精读
此文将Baseline大致分为五部分来理解，首先是代码文件库的引用
# 导入所需要的库
import pandas as pd # 用于处理数据的工具
import lightgbm as lgb # 机器学习模型 LightGBM
from sklearn.metrics import mean_absolute_error # 评分 MAE 的计算函数
# MAE是平均绝对误差，是机器学习中评价模型的重要标尺之一
from sklearn.model_selection import train_test_split # 拆分训练集与验证集工具
from tqdm import tqdm # 显示循环的进度条工具接着是数据的准备
# 数据准备
train_dataset = pd.read_csv("./data/data228216/train.csv") # 原始训练数据。
test_dataset = pd.read_csv("./data/data228216/test.csv") # 原始测试数据（用于提交）。
submit = pd.DataFrame() # 定义提交的最终数据。
submit["序号"] = test_dataset["序号"] # 对齐测试数据的序号。
MAE_scores = dict() # 定义评分项。模型参数设置
pred_labels = list(train_dataset.columns[-34:]) # 需要预测的标签。
# 因为是上部17个与下部17个温度的输出，所以取训练集后34列
train_set, valid_set = train_test_split(train_dataset, test_size=0.2) # 拆分数据集。
# 设定 LightGBM 训练参，查阅参数意义：https://lightgbm.readthedocs.io/en/latest/Parameters.html
lgb_params = {
'boosting_type': 'gbdt', # 提升方法的类型，此处为梯度提升树（gbdt）
'objective': 'regression', # 优化目标，此处为回归问题（regression）
'metric': 'mae', # 评估指标，此处为平均绝对误差（mae）
'min_child_weight': 5, # 每个子叶中的最小样本权重和，用于控制过拟合
'num_leaves': 2 ** 5, # 每棵树上的叶子节点数，影响模型复杂度
'lambda_l2': 10, # L2正则化项的权重，用于控制模型的复杂度
'feature_fraction': 0.8, # 建立每棵树时随机选择特征的比例，用于防止过拟合
'bagging_fraction': 0.8, # 建立每棵树时随机选择数据样本的比例，用于防止过拟合
'bagging_freq': 4, # 随机选择数据的频率，用于防止过拟合
'learning_rate': 0.5, # 学习律，控制迭代步长
'seed': 2023, # 随机种子，保证实验的可重复性
'nthread' : 16, # 线程数量，用于并行计算
'verbose' : -1, # 是否显示训练过程的详细信息，-1表示不显示
}
no_info = lgb.callback.log_evaluation(period=-1) # 禁用训练日志输出。时间特征函数，主要是提取数据集中的时间特征
# 时间特征函数
def time_feature(data: pd.DataFrame, pred_labels: list=None) -> pd.DataFrame:
"""提取数据中的时间特征。
输入:
data: Pandas.DataFrame
需要提取时间特征的数据。
pred_labels: list, 默认值: None
需要预测的标签的列表。如果是测试集，不需要填入。
输出: data: Pandas.DataFrame
提取时间特征后的数据。
"""
data = data.copy() # 复制数据，避免后续影响原始数据。
data = data.drop(columns=["序号"]) # 去掉”序号“特征。
data["时间"] = pd.to_datetime(data["时间"]) # 将”时间“特征的文本内容转换为 Pandas 可处理的格式。
data["month"] = data["时间"].dt.month # 添加新特征“month”，代表”当前月份“。
data["day"] = data["时间"].dt.day # 添加新特征“day”，代表”当前日期“。
data["hour"] = data["时间"].dt.hour # 添加新特征“hour”，代表”当前小时“。
data["minute"] = data["时间"].dt.minute # 添加新特征“minute”，代表”当前分钟“。
data["weekofyear"] = data["时间"].dt.isocalendar().week.astype(int) # 添加新特征“weekofyear”，代表”当年第几周“，并转换成 int，否则 LightGBM 无法处理。
data["dayofyear"] = data["时间"].dt.dayofyear # 添加新特征“dayofyear”，代表”当年第几日“。
data["dayofweek"] = data["时间"].dt.dayofweek # 添加新特征“dayofweek”，代表”当周第几日“。
data["is_weekend"] = data["时间"].dt.dayofweek // 6 # 添加新特征“is_weekend”，代表”是否是周末“，1 代表是周末，0 代表不是周末。
data = data.drop(columns=["时间"]) # LightGBM 无法处理这个特征，它已体现在其他特征中，故丢弃。
if pred_labels: # 如果提供了 pred_labels 参数，则执行该代码块。
data = data.drop(columns=[*pred_labels]) # 去掉所有待预测的标签。
return data # 返回最后处理的数据。
test_features = time_feature(test_dataset) # 处理测试集的时间特征，无需 pred_labels。
test_features.head(5) #展示前五项数据模型训练
# 从所有待预测特征中依次取出标签进行训练与预测。
for pred_label in tqdm(pred_labels):
# print("当前的pred_label是：", pred_label)
train_features = time_feature(train_set, pred_labels=pred_labels) # 处理训练集的时间特征。
# train_features = enhancement(train_features_raw)
train_labels = train_set[pred_label] # 训练集的标签数据。
# print("当前的train_labels是：", train_labels)
train_data = lgb.Dataset(train_features, label=train_labels) # 将训练集转换为 LightGBM 可处理的类型。
valid_features = time_feature(valid_set, pred_labels=pred_labels) # 处理验证集的时间特征。
# valid_features = enhancement(valid_features_raw)
valid_labels = valid_set[pred_label] # 验证集的标签数据。
# print("当前的valid_labels是：", valid_labels)
valid_data = lgb.Dataset(valid_features, label=valid_labels) # 将验证集转换为 LightGBM 可处理的类型。
# 训练模型，参数依次为：导入模型设定参数、导入训练集、设定模型迭代次数（200）、导入验证集、禁止输出日志
model = lgb.train(lgb_params, train_data, 500, valid_sets=valid_data, callbacks=[no_info])
valid_pred = model.predict(valid_features, num_iteration=model.best_iteration) # 选择效果最好的模型进行验证集预测。
test_pred = model.predict(test_features, num_iteration=model.best_iteration) # 选择效果最好的模型进行测试集预测。
MAE_score = mean_absolute_error(valid_pred, valid_labels) # 计算验证集预测数据与真实数据的 MAE。
MAE_scores[pred_label] = MAE_score # 将对应标签的 MAE 值 存入评分项中。
submit[pred_label] = test_pred # 将测试集预测数据存入最终提交数据中。
submit.to_csv('submit_result.csv', index=False) # 保存最后的预测结果到 submit_result.csv
print(MAE_scores) # 查看各项的 MAE 值。尝试优化
目前来说我主要尝试过优化的部分是迭代次数、学习率以及数据集比例的拆分，发现最有效的是只改变迭代次数为500，分数可以达到6分多。其他的调参效果不是很明显。当然，因为是小白，所以我也是玄学调参，期待通过之后的学习能够提高自己的分数。
