Kaggle回归问题Mercedes——Benz Greener Manufacturing

前言

这是我在大三选修课的课程设计，内容参考了Kaggle上高赞的代码，有详细批注，整体比较基础，结构相对完整，便于初学者学习。这个是一个回归问题，我的另外一篇博客《Kaggle分类问题Titanic——Machine Learning from Disaster》介绍了回归问题。除此之外我的《电商评论文本挖掘》也是我当年的课程设计，也有详细的批注，相比这个难度会稍微高些。

1 题目介绍

题目背景：自1886年第一辆奔驰汽车问世以来，梅赛德斯奔驰一直代表着重要的汽车创新。为确保每一款独特的汽车配置在上路之前的安全性和可靠性，Daimler的工程师开发了一个强大的测试系统。但是，如果没有强大的算法，为如此多可能的特征组合计算他们的测试系统的速度，这将是复杂且耗时的。而我们的任务是使用代表奔驰汽车功能的不同排列的数据集，以预测通过测试所需的时间。这个时间将有助于更快的测试，在不降低Daimler标准的情况下，减少二氧化碳排放。

数据介绍：数据匿名，没有具体介绍，共有378个变量，分别为时间y以及其他相关特征。

2 数据清洗

1）对数据进行概览。

2）查看所有变量的种类。

3）查看为object类的列

4）查看是否有缺失值（无）
5）查看int列，可以看出大部分整数列的值都是0与1，有些全为0的可以将他们删去。

3 数据可视化分析

1）利用stripplot绘制X0与y的关系。

2）利用boxplot绘制X2与y的关系。

3）利用violinplot绘制X3与y的关系。

4）利用barh绘制水平条形图，展现01变量0与1的比重。

5）利用heatmap查看每列0或1所对应的平均y值，可以发现出现了很好的区分。

6）利用regplot绘制ID列的线性回归图，可以看出随着id的增大，有个轻微下降的趋势。

7）利用violinplot查看查看训练集与测试集ID的分布，可以看出ID是随机的。

8）根据xgboost，得到重要的变量。


9）根据随机森林得到重要的变量。

4 模型训练

使用PCA、ICA、tSVD等对数据进行降维。


使用TPOT自动选择机器学习模型和参数。搜索整个管道空间是特别耗时的，在默认的TPOT参数下（100 generations with 100 population size），TPOT将在完成前评估1万个管道配置。网格搜索1万个超参数组合用于机器学习算法，而且用10倍的交叉验证来评估这1万个模型，这意味着大约有10万个模型在一个网格搜索的训练数据中被匹配和评估。这是一个非常耗时的过程，即使对于像决策树这样的简单模型也是如此。

典型的TPOT运行将需要数小时到数天才能完成（除非是一个小数据集），但是可以中断运行，并看到目前为止最好的结果。TPOT还提供warm_start参数，可以从中断的地方重新启动之前运行的TPOT。

generations(default=100)，运行管道优化过程的迭代次数。一定是正数。一般来说，值越大，性能越好。

population_size(default=100)，在每一代遗传中保留的个体数(基因编程)。一定是正数。一般来说，值越大，性能越好。

verbosity(default=0)，0将不会打印任何东西；1将打印很少的信息；2打印更多的信息并提供一个进度条；3打印所有内容，并提供一个进度条。

导出TPOT选择好的模型与其参数。

5 源码

为了更好的观看效果，我将源码放在了Github上，如有帮助，希望点个星星支持一下，感谢。