【372】Kaggle 相关经验

参考：机器学习系列(3)_逻辑回归应用之Kaggle泰坦尼克之灾

参考：Kaggle泰坦尼克特征工程和模型融合

---

『解决一个问题的方法和思路不止一种』
『没有所谓的机器学习算法优劣，也没有绝对高性能的机器学习算法，只有在特定的场景、数据和特征下更合适的机器学习算法。』

Kaggle上的大神们，也分享过一些experience，说几条我记得的哈：

1. 『对数据的认识太重要了！』
2. 『数据中的特殊点/离群点的分析和处理太重要了！』
3. 『特征工程(feature engineering)太重要了！在很多Kaggle的场景下，甚至比model本身还要重要』
4. 『要做模型融合(model ensemble)啊啊啊！』

---

1. 『对数据的认识太重要了！』

• 每个/多个 属性和最后的分类结果之间的关系，通过画图实现
• 属性与获救结果的关联统计
• 了解数据属性对于结果的关系

2. 『特征工程(feature engineering)太重要了』

• 处理有缺失数据的属性
• 通常遇到缺值的情况，我们会有几种常见的处理方式
      如果缺值的样本占总数比例极高，我们可能就直接舍弃了，作为特征加入的话，可能反倒带入noise，影响最后的结果了
      如果缺值的样本适中，而该属性非连续值特征属性(比如说类目属性)，那就把NaN作为一个新类别，加到类别特征中
      如果缺值的样本适中，而该属性为连续值特征属性，有时候我们会考虑给定一个step(比如这里的age，我们可以考虑每隔2/3岁为一个步长)，然后把它离散化，之后把NaN作为一个type加到属性类目中。
      有些情况下，缺失的值个数并不是特别多，那我们也可以试着根据已有的值，拟合一下数据，补充上。
• 通过scikit-learn中的RandomForest可以拟合缺失的数据
• 类目型的特征因子化
• 使用pandas的”get_dummies”来完成这个工作
• 用scikit-learn里面的preprocessing模块做一个scaling，所谓scaling，其实就是将一些变化幅度较大的特征化到[-1,1]之内。
• test_data要做和train_data做一样的预处理
• 模型系数关联分析
• 交叉验证
• 用scikit-learn的cross_validation来实现
• 优化操作：通过已有的属性产生新的属性
      Age属性不使用现在的拟合方式，而是根据名称中的『Mr』『Mrs』『Miss』等的平均值进行填充。
      Age不做成一个连续值属性，而是使用一个步长进行离散化，变成离散的类目feature。
      Cabin再细化一些，对于有记录的Cabin属性，我们将其分为前面的字母部分(我猜是位置和船层之类的信息) 和 后面的数字部分(应该是房间号，有意思的事情是，如果你仔细看看原始数据，你会发现，这个值大的情况下，似乎获救的可能性高一些)。
      Pclass和Sex俩太重要了，我们试着用它们去组出一个组合属性来试试，这也是另外一种程度的细化。
      单加一个Child字段，Age<=12的，设为1，其余为0(你去看看数据，确实小盆友优先程度很高啊)
      如果名字里面有『Mrs』，而Parch>1的，我们猜测她可能是一个母亲，应该获救的概率也会提高，因此可以多加一个Mother字段，此种情况下设为1，其余情况下设为0
      登船港口可以考虑先去掉试试(Q和C本来就没权重，S有点诡异)
      把堂兄弟/兄妹 和 Parch 还有自己 个数加在一起组一个Family_size字段(考虑到大家族可能对最后的结果有影响)
      Name是一个我们一直没有触碰的属性，我们可以做一些简单的处理，比如说男性中带某些字眼的(‘Capt’, ‘Don’, ‘Major’, ‘Sir’)可以统一到一个Title，女性也一样。
• learning curves
• 对过拟合而言，通常以下策略对结果优化是有用的：
   做一下feature selection，挑出较好的feature的subset来做training
   提供更多的数据，从而弥补原始数据的bias问题，学习到的model也会更准确
• 而对于欠拟合而言，我们通常需要更多的feature，更复杂的模型来提高准确度。
• 用scikit-learn里面的learning_curve来帮我们分辨我们模型的状态

3. 『模型融合(model ensemble)很重要！』

• 通俗解释：
  你和你班某数学大神关系好，每次作业都『模仿』他的，于是绝大多数情况下，他做对了，你也对了。突然某一天大神脑子犯糊涂，手一抖，写错了一个数，于是…恩，你也只能跟着错了。
  我们再来看看另外一个场景，你和你班5个数学大神关系都很好，每次都把他们作业拿过来，对比一下，再『自己做』，那你想想，如果哪天某大神犯糊涂了，写错了，but另外四个写对了啊，那你肯定相信另外4人的是正确答案吧？
• 有一堆在同一份数据集上训练得到的分类器(比如logistic regression，SVM，KNN，random forest，神经网络)，那我们让他们都分别去做判定，然后对结果做投票统计，取票数最多的结果为最后结果。
• 那我们干脆就不要用全部的训练集，每次取训练集的一个subset，做训练，这样，我们虽然用的是同一个机器学习算法，但是得到的模型却是不一样的；同时，因为我们没有任何一份子数据集是全的，因此即使出现过拟合，也是在子训练集上出现过拟合，而不是全体数据上，这样做一个融合，可能对最后的结果有一定的帮助。对，这就是常用的Bagging。
• 我们用scikit-learn里面的Bagging来完成上面的思路