[轉錄] [閒聊] 菜鳥上Kaggle: 房價預測

[aaaba (小強)]

作者: pipidog (如果狗狗飛上天) 看板: Python
標題: Re: [閒聊] 菜鳥上Kaggle: 房價預測
時間: Wed Mar  7 04:33:23 2018

※ 引述《OnePiecePR (OPPR)》之銘言：
: 這裡有人玩 Kaggle 嗎？
: 其實我還沒認真坐坐下來學Python，也沒其他程式經驗。
: 只是朋友說Kaggle 很好玩，可以當作學 Python 的目標，建議每兩週作一題，我就挑戰
: 看看。
: 我做的是很久的題目，1460 筆房價資料，每筆資料79個特性。
: 訓練後，要估另外1459筆資料回傳讓網站系統估算成績。
: 我先花了四五天，整理資料（我以前 Excel 還可以），然後朋友丟一個 Lasso Regressi
: on給我，我馬上套用，算一個結果就上傳... 以為這樣就算完成一題。
: 結果被打搶，Error message 我沒看清楚。
: 那一版真的很差，預估值誤差 rmse 將近35000。
: 再花了一週時間，重新再整一次資料，邊研究別人的方法，大致加了兩招：XGB 跟 K fol
: d 誤差降低到15000 左右。我想大概是我的極限了。
: 過程中一直用的 bumpy，pandas，一下子 array, 一下子 dataframe, 花了不少時間處理
: ，應該乖乖坐下來搞懂才是。
一點想法:

1. 1460筆資料,卻有79的feature,似乎太多了.你聽過維度詛咒嗎? 建議先作特徵
   選取,挑出最重要的20個feature(或者更少? 這你得試試看才知道)來作訓練:

   *你說你選擇用Lasso Regression,不知是有目的的這樣作還是隨便挑的,因為Lasso
    其實就是在loss裡面加入了L1懲罰,L1會導致線性擬合的時候很多參數被強迫變
    成0.這意味著你也認為這79個feature裡面,其實只有幾個是真正重要的.如果是
    這樣,何不一開始就先試著作特徵選取? (事實上有時候Lasso就是拿來做特徵選
    取之用)

    http://scikit-learn.org/stable/modules/feature_selection.html

2. 如果資料只有1千多筆,而網站又提供的另外的測試集了,建議訓練時就不要再分
   測試跟訓練了. 你直接對全部的資料用corss-validation來判斷模型表現,找出
   好的超參數後,就拿全部資料訓練模型就好.才一千多筆還分測試跟訓練,貴了一點.

   http://scikit-learn.org/stable/modules/cross_validation.html


3. 你的數據可能非線性程度高,用Lasso自然不好,試試看SVM(支援向量機)?
   一般如果是回歸問題,kernal多選用Radial basis function

   http://scikit-learn.org/stable/modules/svm.html#regression


4. 沒有一個模型不能解決的事情,如果有,就給它一堆模型! 所以你可以考慮ensemble
   learning,例如random forest, adaboost,..,etc.多數情況下會比用單一模型好.

   http://scikit-learn.org/stable/modules/ensemble.html

5. 最後找個網站,把pandas練熟,這東西沒弄熟,洗資料會搞得你很痛苦.

   https://ithelp.ithome.com.tw/users/20103511/ironman/1077?page=2
   看一下14,15天.

* 最後,處理數據佔90%的時間,訓練模型只佔10%,這是很正常的...越髒的事情越花時間
  ,不要覺得奇怪.

--
★人生中最溫暖的夏天是在紐約的冬天★

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 73.66.168.95
※ 文章網址: https://www.ptt.cc/bbs/Python/M.1520368414.A.CE9.html
※ 編輯: pipidog (73.66.168.95), 03/07/2018 04:51:15
推 aszx4510: 感謝教學  獲益良多
推 stoltzman: 感謝大大分享!獲益良多!
推 vfgce: kaggle的測試集,通常不附target..沒辦法用cross-validation
→ vfgce: emsemble learning通常也沒有比單一模型好很多..
推 vfgce: pandas真的要好好學,但sklearn最大問題在於對類別屬性的
→ vfgce: 處理不佳.
→ vfgce: pandas已經有category,但sklearn還無法使用
→ vfgce: 目前只有Y能夠以分類處理,X的部分都轉成int,然後被轉成
→ pipidog: v大,同意,sklearn跟pandas真的整合度很糟糕...
→ pipidog: 但可見未來似乎也不太可能改善,只能靠耐心處理了
→ vfgce: flaot去處理了.這是頗不合理的處理方式....
→ vfgce: 用過R的大概知道我說的是什麼..這部分希望sklearn能否直接
→ vfgce: 支援pandas就方便多了.
推 Luluemiko: 推
推 leo021566: 推
推 goldflower: ensemble現在應該一堆都直接無腦XGBoost了XD
推 neil987: 不妨玩玩看PCA
推 EGsux: 比較好處理 category好的方法就是 one hot 然後pca了 但是
→ EGsux:  category類用來做 regression也不要太期待accuracy
推 EGsux: test set當然沒 target比賽就是那樣 要用 training 來做cv
推 vfgce: 所以你有一堆數值和類別混合的data,用python做真的會想XXX
→ vfgce: R內建有factor類別,套件也多能配合,用起來方便多了.
推 vfgce: 明明sklearn是一個豐富的PACKAGE,當初怎沒將這個考慮進去.
推 vfgce: 用上決策樹的感受特別明顯.
→ vfgce: ONE HOT 也不是萬靈丹,當屬性含有很多類別時,會製造出更多
推 vfgce: 屬性,整個屬性維度又更大.
→ vfgce: R內建的FACOTR,套件大多考慮到這一層,用起來方便多了.
→ vfgce: 或許SKLEARN 只考慮到配合NUMPY使用,但這問題應該還多人都
→ vfgce: 遇到了. 希望後面的版正能修正這個問題...
推 cc9i: 髒  這體會有同感
推 fischcheng: 受教啦，感謝！
推 Raymond0710: 推
推 f496328mm: 提供一個關於 category 轉換的方法
→ f496328mm: 在kaggle上用過, 效果不錯
→ f496328mm: https://goo.gl/LqCNjP
推 bestchiao: 感謝上面f大分享 很詳細
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 101.8.6.231
※ 文章網址: https://www.ptt.cc/bbs/deeplearning/M.1520642760.A.2B2.html
推 NBAPredictor: 小弟不專業 但Lasso在N>P的情況使用到底有什麼意義?
→ NBAPredictor: 之前面臨到的情況都是P>>N才會使用到LASSO
→ NBAPredictor: 且使用的都是Group Lasso
→ NBAPredictor: 1460*79 直覺的作法就是拉Stepwise L2挑Feature
→ NBAPredictor: 相關係數 變異數等一次統包都考慮到了
→ NBAPredictor: 這篇提到Lasso有什麼特別的用法嗎
→ hl4: N和P分別是指什麼？
推 seasa2016: 推
→ f496328mm: N是data數，p是variable數
推 f496328mm: lasso就只是很單純的迴歸+ penalty term，並沒有說p>n
→ f496328mm: 才能用
推 NBAPredictor: 對啊 可是不知道有什麼好處
→ aaaba: 做 selection 的前提不就暗示了存在 sparsity？所以用一下
→ aaaba:  lasso 也是滿合理的。實務上當然不會那麼理想，就是多個
→ aaaba: 方法可以踹看看這樣
推 NBAPredictor: 也是 踹看看
→ Wush978: LASSO可以壓縮模型，因為參數為0的在怖署時可以刪除