数据比赛----浅谈划窗

天池第一战--乘用车销量预测16/2500 心得分享
最近打完比赛以后，沉迷于抖音不能自拔。作为业余程序员里面的一股清流，不能再这么颓废了！！！所以，趁着有空，赶快把比赛回忆一下吧。

---

Timeline：
初赛：2018.1.15-2.26
复赛：2018.2.27-3.15

复赛最后换榜那三天，竟然浑浑噩噩的反而淡定得很。。。

初赛：各种模型各种试,从基本的线性回归、svm、mlp、树模型、LGB、XGB都试过了。后来发现，不管打什么比赛，首先看评分函数是什么。从那里你可以获得不少小trick。因为特征工程没什么特色，所以没啥好说的。没有尝试lstm是个小遗憾，接下来几天可以试试。。不过先得把机器学习理论看好了，比如我们这个比赛，损失函数是log相关，我们可以将label先log再做。。。
初赛6/2500

复赛：前期一直没有进展，知道后来遇到了dong_dong_shen学长，教了我一个叫做时间划窗的东西，就是利用纯粹的时间销量特征去做。网上基本没有人对划窗做一个好好的解释，可能都是大家偷着藏着的基础杀招吧。我认为划窗有两个作用：充分发挥时序和销量的关系，不考虑其他因素的影响，相当于挖掘销量和时间的关系的一个函数。另一个作用就是增大训练集，排除噪声（因为只用到了销量统计，题目中其所有特征全部删除）。划窗本身可以达到一个不错的效果，但是它不够好。就本身而言，划窗的滑动窗口你可以自己定义，12个月，6个月，1个月，10天，7天，根据不同情况需要你自己制定。因为我们是预测一个月的总销量，所以我的划窗就是12个月和半年（我怕单独12个月划窗不够好，所以我又写了个6个月的，事实证明两个划窗在最后结果的平均数上基本一致，至于细节预测的差异我没仔细看）。单独从划窗的角度去提升，除了用多个划窗，最后加权融合，还有一个就是需要你将单条继续细分。比如我这个比赛，我刚开始是按车型分，统计销量的时候直接把同车型不同配置的车的销量都合并了。而实际上，细分配置用划窗，效果更好。能替代成绩从0.95提升到了0.92。我们还尝试把在纯划窗里面加其他构造的特征，效果基本没有提升，还可能下降。。。

对了对了，添加特征的时候，有一种特征不能要哦。他们叫穿越特征，就是你吧未来时间才有的特征的信息加到你构造的新的特征里面了。比如，你想用2017年数据做验证集，用2012-2016年数据做训练集。而你，好巧不巧的在特征里面加了一列包含2017年潜在信息（比如你取了2012-2017年的平均数），这样子可能的后果就是你的线下分数很好，但是线上超级差。。。

划窗.jpg

好了，我们最后融合的模型是：粗粒度划窗（没分配置）+细粒度划窗（分了配置）+统计模型+arima 这四个模型。

---

总结下来：时序问题用时序特征会有一个比较靠谱的结果，然而想要更好，需要结合基础特征，用机器学习模型去做。本次比赛第一的团队，我们学院的，感觉好像是小白一枚，然而就是用了基础特征+时间特征的思想。

他们把题目给的特征处理好的基础上，又加了四列特征，就是我说的时间销量特征。然后训练，所以说，以后做时序比赛：基础特征+时间特征，会有一个不错的结果。