什麼是Kaggle？

什麼是 Kaggle？

Kaggle是一個數據科學競賽的平台，很多公司會發布一些接近真實業務的問題，吸引愛好數據科學的人來一起解決，可以通過這些數據積累經驗，提高機器學習的水平。

應用演算法解決 Kaggle 問題，一般有以下幾個步驟：

第一步：識別問題

第二步：分離數據

第三步：構造提取特徵

第四步：組合數據

第五步：分解

第六步：選擇特徵

第七步：選擇演算法進行訓練

當然，工欲善其事，必先利其器，要先把工具和包都安好。

最方便的就是安裝 Anaconda，這裡面包含大部分數據科學所需要的包，直接引入就可以了，常用的包有：

pandas：常用來將數據轉化成 dataframe 形式進行操作

scikit-learn：裡面有要用到的機器學習演算法模型

matplotlib：用來畫圖

xgboost，keras，tqdm 等。

第一步：識別問題

在這一步先明確這個問題是分類還是回歸。通過問題和數據就可以判斷出來，數據由 X 和 label 列構成，label 可以一列也可以多列，可以是二進位也可以是實數，當它為二進位時，問題屬於分類，當它為實數時，問題屬於回歸。

第二步：分離數據

為什麼需要將數據分成兩部分？

用Training Data來訓練模型，用Validation Data來檢驗這個模型的表現，不然的話，通過各種調節參數，模型可以在訓練數據集上面表現的非常出色，但是這可能會是過擬合，過擬合就是太依賴現有的數據了，擬合的效果特別好，但是只適用於訓練集，以致於來一個新的數據，就不知道該預測成什麼了。所以需要有Validation來驗證一下，看這個模型是在那裡自娛自樂呢，還是真的表現出色。

在 scikit learn 包里就有工具可以幫你做到這些：

分類問題用 StrtifiedKFold

from sklearn.cross_validation import StratifiedKFold

回歸問題用 KFold

from sklearn.cross_validation import KFold

第三步：構造特徵

這個時候，需要將數據轉化成模型需要的形式。數據有三種類型：數字，類別，文字。當數據是類別的形式時，需要將它的每一類提取出來作為單獨一列，然後用二進位表示每條記錄相應的值。例如：

record 1：性別 女

record 2：性別 女

record 3：性別 男

轉化之後就是：

???????女 男

record 1：1 0

record 2：1 0

record 3：0 1

這個過程 sklearn 也可以幫你做到：

from sklearn.preprocessing import LabelEncoder

或者

from sklearn.preprocessing import OneHotEncoder

第四步：組合數據

處理完 Feature 之後，就將它們組合到一起。

如果數據是稠密的，就可以用 numpy 的 hstack：

import numpy as np

X = np.hstack((x1, x2, ...))

如果是稀疏的，就用 sparse 的 hstack：

from scipy import sparse

X = sparse.hstack((x1, x2, ...))

組合之後，就可以應用以下演算法模型：

RandomForestClassifier

RandomForestRegressor

ExtraTreesClassifier

ExtraTreesRegressor

XGBClassifier

XGBRegressor

但是不能應用線性模型，線性模型之前需要對數據進行正則化而不是上述預處理。

第五步：分解

這一步是為了進一步優化模型，可以用以下方法：

PCA：Principal components analysis，主成分分析，是一種分析、簡化數據集的技術。用於減少數據集的維數，同時保持數據集中的對方差貢獻最大的特徵。

from sklearn.decomposition import PCA

對於文字數據，在轉化成稀疏矩陣之後，可以用 SVD

from sklearn.decomposition import TruncatedSVD

SVD：Singular Value Decomposition，奇異值分解，是線性代數中一種重要的矩陣分解，它總能找到標準化正交基後方差最大的維度，因此用它進行降維去噪。

第六步：選擇特徵

當特徵個數越多時，分析特徵、訓練模型所需的時間就越長，容易引起「維度災難」，模型也會越複雜，推廣能力也會下降，所以需要剔除不相關或亢余的特徵。

常用的演算法有完全搜索，啟發式搜索，和隨機演算法。

例如，Random Forest：

from sklearn.ensemble import RandomForestClassifier

或者 xgboost：

import xgboost as xgb

對於稀疏的數據，比較有名的方法是chi-2：

from sklearn.feature_selection import SelectKBest

from sklearn.feature_selection import chi2

第七步：選擇演算法進行訓練

選擇完最相關的參數之後，接下來就可以應用演算法，常用的演算法有：

Classification：

Random Forest

GBM

Logistic Regression

Naive Bayes

Support Vector Machines

k-Nearest Neighbors

Regression：

Random Forest

GBM

Linear Regression

Ridge

Lasso

SVR

在scikit－learn里可以看到分類和回歸的可用的演算法一覽，包括它們的原理和例子代碼。

在應用各演算法之前先要明確這個方法到底是否合適。

為什麼那麼多演算法里，只提出這幾個演算法呢，這就需要對比不同演算法的性能了。

這篇神文 Do we Need Hundreds of Classifiers to Solve Real World Classification Problems 測試了179種分類模型在UCI所有的121個數據上的性能，發現Random Forests 和 SVM 性能最好。

我們可以學習一下裡面的調研思路，看看是怎麼樣得到比較結果的，在我們的實踐中也有一定的指導作用。

但是直接應用演算法後，一般精度都不是很理想，這個時候需要調節參數，最乾貨的問題來了，什麼模型需要調節什麼參數呢？

雖然在sklearn的文檔里，會列出所有演算法所帶有的參數，但是裡面並不會說調節哪個會有效。在一些mooc課程里，有一些項目的代碼，裡面可以看到一些演算法應用時，他們重點調節的參數，但是有的也不會說清楚為什麼不調節別的。這裡作者根據他100多次比賽的經驗，列出了這個表，我覺得可以借鑒一下，當然，如果有時間的話，去對照文檔里的參數列表，再查一下演算法的原理，通過理論也是可以判斷出來哪個參數影響比較大的。

調參之後，也並不就是大功告成，這個時候還是需要去思考，是什麼原因造成精度低的，是哪些數據的深意還沒有被挖掘到，這個時候需要用統計和可視化去再一次探索數據，之後就再走一遍上面的過程。

我覺得這裡還提到了很有用的一條經驗是，把所有的 transformer 都保存起來，方便在 validation 數據集上面應用：

文章里介紹了分析問題的思路，還提到了幾條很實用的經驗，不過經驗終究是別人的經驗，只能借鑒，要想提高自己的水平，還是要看到作者背後的事情，就是參加了100多次實戰，接下來就去行動吧，享受用演算法和代碼與數據燃起的興奮吧。