资源下载地址：https://download.csdn.net/download/sheziqiong/85697758
资源下载地址：https://download.csdn.net/download/sheziqiong/85697758

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

box-cox 变换目标值“price”，解决长尾分布。
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。
异常点处理，删除训练集特有的数据，例如删除“seller”==1 的值。
缺失值处理，分类特征填充众数，连续特征填充平均值。
其他特别处理，把取值无变化的列删掉。
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

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。

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）

'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'

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。

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：

'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：

['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。

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。

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。

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，但结点数由于太多只是展示部分结点画图。

以下为全连接层的结点个数设置，具体实现可参考代码。

接下来对神经网络进行具体分析：

第一：训练模型使用小 batchsize，512，虽然在下降方向上可能会出现小偏差，但是对收敛速度的收益大，2000 代以内可以收敛。

第二：神经网络对于特征工程这一类不用操心很多，就能达到与树模型相差无几的精度。

第三：调整正则化系数，使用正则化，防止过拟合。

第四：调整学习率，对训练过程的误差进行分析，选择学习率下降的时机进行调整。

第五：使用交叉验证，使用十折交叉验证，减小过拟合。

第六：选择梯度下降的优化器为 Adam，它是目前综合能力较好的优化器，具备计算高效，对内存需求少等等优点。

1.4 集成的方法

由于两个树模型的训练数据一样且结构相似，首先对两个树模型进行 stacking，然后再与神经网络的输出进行 mix。

由于树模型和神经网络是完全不同的架构，它们得到的分数输出相近，预测值差异较大，往往在 MAE 上差异为 200 左右，因此将他们进行 MIX 可以取到一个更好的结果，加权平均选择系数选择 0.5，虽然神经网络的分数确实会比树模型高一点点，但是我们的最高分是多组线上最优输出的结合，因此可以互相弥补优势。

给出的代码是一次输出的结果，如若完美复现线上结果，得多输出几次选取Top-3求平均。

二、代码说明

由于后期上分选择了十折交叉验证和非常小的学习率，运行较慢，大家可以先使用五折和较大学习率测试效果～

|--data

训练集、测试集，可从比赛官网下载

|--user_data

代码中途生成的一些文件，比赛过程中方便观察

|--prediction_result

输出的提交文本

|--feature

Tree_generation.py	——树模型训练数据的处理程序
NN_generation.py	——神经网络训练数据的处理程序
generation.py	——为以上两个代码的合成版本，生成两份数据

|--model

lgb_model.py ——lightgbm 模型训练代码
cab_model.py ——catboost 模型训练代码
nn_model.py ——神经网络模型训练代码
stack+mix.py ——二层 stack 和三层加权平均代码
model.py ——为以上四个代码的合成版本，输出测试集的预测数据

|--code

requirements.txt ——所使用的依赖
main.py ——主程序，一个代码，包括以上所有的步骤

执行：(进入该目录，执行以下命令即可产生一份预测数据） python main.py PS：其实 main 是我把 feature 和 model 的代码全都复制扔了进去。

资源下载地址：https://download.csdn.net/download/sheziqiong/85697758
资源下载地址：https://download.csdn.net/download/sheziqiong/85697758

基于Python实现的二手车价格预测相关推荐

基于二手车价格预测——特征工程
特征工程特征工程分析: 第一步:异常值处理箱型图法: 第二步:特征构造第三步:数据分桶数据分桶详解删除不需要的数据特征归一化总结--特征 1.特征构造: 2.异常类型处理 3.构造新特 ...
Python二手车价格预测（二）—— 模型训练及可视化
系列文章目录一.Python数据分析-二手车数据获取用于机器学习二手车价格预测二.Python二手车价格预测(一)-- 数据处理文章目录系列文章目录前言一.明确任务二.模型训练 1.引入 ...
基于机器学习的二手车价格预测及应用实现（预测系统实现）
1.摘要随着中国汽车工业的迅速发展,国内的汽车数量也在迅速增长.新车销售市场已经逐渐饱和,而二手车交易市场正在兴起.但是,由于中国的二手车市场尚未成熟,与发达国家相比仍存在较大差距.其中一个重要原因 ...
Python二手车价格预测（一）—— 数据处理
文章目录前言一.数据二.处理过程 1.引入库 2.读入数据 3.删除无效列与填充空值 4.数值型数据处理 5.日期型数据处理 6.二值型数据处理 7.One-Hot型数据处理结语前言一年半 ...
二手车价格预测实战（一）——数据探索
目录 1.理解赛题: 背景基础知识 2.数据探索数据概况探索性数据分析缺失值可视化查看变量分布查看预测值价格的分布查看变量间的关系分析日期与价格关系 3.总结 1.理解赛题: 赛题:零 ...
Datawhale task4打卡——二手车价格预测
Datawhale task4打卡--二手车价格预测 1. 线性回归模型 1.1 *特征要求(易忽略) 1.2 *处理长尾分布(易忽略) 2. 模型性能验证 2.1 目标函数 2.2 交叉验证 2.2 ...
【组队学习】【24期】河北邀请赛（二手车价格预测）
河北邀请赛(二手车价格预测) 开源内容: https://github.com/datawhalechina/team-learning-data-mining/tree/master/SecondH ...
数据挖掘二手车价格预测 Task05：模型融合
模型融合是kaggle等比赛中经常使用到的一个利器,它通常可以在各种不同的机器学习任务中使结果获得提升.顾名思义,模型融合就是综合考虑不同模型的情况,并将它们的结果融合到一起.模型融合主要通过几部分来 ...
二手车价格预测task03:特征工程
二手车价格预测task03:特征工程 1.学习了operator模块operator.itemgetter()函数 2.学习了箱线图 3.了解了特征工程的方法 (内容介绍) 4.敲代码学习,加注解以 ...

基于Python实现的二手车价格预测