基于Python实现的二手车价格预测.zip

# 线上第十三名比赛方案 # 一、解决方案及算法 分四个方面去阐述 数据处理 特征工程 选择的模型 集成的方法 ## 1.1 数据处理 1. box-cox 变换目标值“price”，解决长尾分布。 2. 删除与目标值无关的列，例如“SaleID”，“name”。这里可以挖掘一下“name”的长度作为新的特征。 3. 异常点处理，删除训练集特有的数据，例如删除“seller”==1 的值。 4. 缺失值处理，分类特征填充众数，连续特征填充平均值。 5. 其他特别处理，把取值无变化的列删掉。 6. 异常值处理，按照题目要求“power”位于 0～600，因此把“power”>600 的值截断至 600，把"notRepairedDamage"的非数值的值替换为 np.nan，让模型自行处理。 ## 1.2 特征工程 1. 时间地区类 从“regDate”，“creatDate”可以获得年、月、日等一系列的新特征，然后做差可以获得使用年长和使用天数这些新特征。 “regionCode”没有保留。 因为尝试了一系列方法，并且发现了可能会泄漏“price”，因此最终没保留该特征。 2. 分类特征 对可分类的连续特征进行分桶，kilometer 是已经分桶了。 然后对"power"和"model"进行了分桶。 使用分类特征“brand”、“model”、“kilometer”、“bodyType”、“fuelType”与“price”、“days”、“power”进行特征交叉。 交叉主要获得的是后者的总数、方差、最大值、最小值、平均数、众数、峰度等等 这里可以获得非常多的新特征，挑选的时候，直接使用 lightgbm 帮我们去选择特征，一组组的放进去，最终保留了以下特征。（注意：这里是使用 1/4 的训练集进行挑选可以帮助我们更快的锁定真正 Work 的特征） ```c++ 'model_power_sum','model_power_std', 'model_power_median', 'model_power_max', 'brand_price_max', 'brand_price_median', 'brand_price_sum', 'brand_price_std', 'model_days_sum','model_days_std', 'model_days_median', 'model_days_max', 'model_amount','model_price_max', 'model_price_median','model_price_min', 'model_price_sum', 'model_price_std', 'model_price_mean' ``` 3. 连续特征 使用了置信度排名靠前的匿名特征“v_0”、“v_3”与“price”进行交叉，测试方法以上述一样，效果并不理想。 因为都是匿名特征，比较训练集和测试集分布，分析完基本没什么问题，并且它们在lightgbm 的输出的重要性都是非常高的，所以先暂且全部保留。 4. 补充特征工程 主要是对输出重要度非常高的特征进行处理 特征工程一期： 对 14 个匿名特征使用乘法处理得到 14*14 个特征 使用 sklearn 的自动特征选择帮我们去筛选，大概运行了半天的时间。大致方法如下：  最终筛选得到： ```c++ 'new3*3', 'new12*14', 'new2*14','new14*14' ``` 特征工程二期： 对 14 个匿名特征使用加法处理得到 14*14 个特征 这次不选择使用自动特征选择了，因为运行实在太慢了，笔记本耗不起。 然后先尝试了全部放进去 lightgbm 训练是否有效，惊喜的发现效果很明显，由于新生成的特征很多，因此要对一部分冗余的特征进行删除。 使用的方法是删除相关性高的变量,把要删除的特征记录下来大致方法如下：（剔除相关度>0.95 的）  最终获得的应该删除的特征为： ```c++ ['new14+6', 'new13+6', 'new0+12', 'new9+11', 'v_3', 'new11+10', 'new10+14', 'new12+4', 'new3+4', 'new11+11', 'new13+3', 'new8+1', 'new1+7', 'new11+14', 'new8+13', 'v_8', 'v_0', 'new3+5', 'new2+9', 'new9+2', 'new0+11', 'new13+7', 'new8+11', 'new5+12', 'new10+10', 'new13+8', 'new11+13', 'new7+9', 'v_1', 'new7+4', 'new13+4', 'v_7', 'new5+6', 'new7+3', 'new9+10', 'new11+12', 'new0+5', 'new4+13', 'new8+0', 'new0+7', 'new12+8', 'new10+8', 'new13+14', 'new5+7', 'new2+7', 'v_4', 'v_10', 'new4+8', 'new8+14', 'new5+9', 'new9+13', 'new2+12', 'new5+8', 'new3+12', 'new0+10', 'new9+0', 'new1+11', 'new8+4', 'new11+8', 'new1+1', 'new10+5', 'new8+2', 'new6+1', 'new2+1', 'new1+12', 'new2+5', 'new0+14', 'new4+7', 'new14+9', 'new0+2', 'new4+1', 'new7+11', 'new13+10', 'new6+3', 'new1+10', 'v_9', 'new3+6', 'new12+1', 'new9+3', 'new4+5', 'new12+9', 'new3+8', 'new0+8', 'new1+8', 'new1+6', 'new10+9', 'new5+4', 'new13+1', 'new3+7', 'new6+4', 'new6+7', 'new13+0', 'new1+14', 'new3+11', 'new6+8', 'new0+9', 'new2+14', 'new6+2', 'new12+12', 'new7+12', 'new12+6', 'new12+14', 'new4+10', 'new2+4', 'new6+0', 'new3+9', 'new2+8', 'new6+11', 'new3+10', 'new7+0', 'v_11', 'new1+3', 'new8+3', 'new12+13', 'new1+9', 'new10+13', 'new5+10', 'new2+2', 'new6+9', 'new7+10', 'new0+0', 'new11+7', 'new2+13', 'new11+1', 'new5+11', 'new4+6', 'new12+2', 'new4+4', 'new6+14', 'new0+1', 'new4+14', 'v_5', 'new4+11', 'v_6', 'new0+4', 'new1+5', 'new3+14', 'new2+10', 'new9+4', 'new2+6', 'new14+14', 'new11+6', 'new9+1', 'new3+13', 'new13+13', 'new10+6', 'new2+3', 'new2+11', 'new1+4', 'v_2', 'new5+13', 'new4+2', 'new0+6', 'new7+13', 'new8+9', 'new9+12', 'new0+13', 'new10+12', 'new5+14', 'new6+10', 'new10+7', 'v_13', 'new5+2', 'new6+13', 'new9+14', 'new13+9', 'new14+7', 'new8+12', 'new3+3', 'new6+12', 'v_12', 'new14+4', 'new11+9', 'new12+7', 'new4+9', 'new4+12', 'new1+13', 'new0+3', 'new8+10', 'new13+11', 'new7+8', 'new7+14', 'v_14', 'new10+11', 'new14+8', 'new1+2']] ``` **特征工程三、四期**： 这两期的效果不明显，为了不让特征冗余，所以选择不添加这两期的特征，具体的操作可以在 feature 处理的代码中看到。 5. 神经网络的特征工程补充说明 以上特征工程处理都是针对于树模型来进行的，接下来，简单说明神经网络的数据预处理。各位都知道由于 NN 的不可解释性，可以生成大量的我们所不清楚的特征，因此我们对于NN 的数据预处理只要简单处理异常值以及缺失值。 大部分的方法都包含在以上针对树模型数据处理方法中，重点讲述几个不同点： - 在对于“notRepairedDamage”的编码处理，对于二分类的缺失值，往往取其中间值。 - 在对于其他缺失值的填充，在测试了效果后，发现填充众数的效果比平均数更好，因此均填充众数。 ## 1.3 选择的模型 本次比赛，我选择的是 lightgbm+catboost+neural network。 本来也想使用 XGBoost 的，不过因为它需要使用二阶导，因此目标函数没有 MAE，并且尝试了逼近 MAE 的一些自定义函数效果也不理想，因此没有选择使用它。 经过上述的数据预处理以及特征工程： 树模型的输入有 83 个特征；神经网络的输入有 29 个特征。 1. lightgbm 和 catboost： 因为它们都是树模型，因此我同时对这两个模型进行分析 第一：lgb 和 cab 的训练收敛速度非常快，比同样参数的 xgb 快非常多。 第二：它们可以处理缺失值，计算取值的增益，择优录取。 第三：调整正则化系数，均使用正则化，防止过拟合。 第四：降低学习率，获得更小 MAE 的验证集预测输出。 第五：调整早停轮数，防止陷入过拟合或欠拟合。 第六：均使用交叉验证，使用十折交叉验证，减小过拟合。 其他参数设置无明显上分迹象，以代码为准，不一一阐述。 以下为 lightgbm 对输入的 83 个特征的重要度排序。  2. neural network：  我针对该比赛，自己设计了一个五层的神经网络，大致框架如上图所示，但