一次失败的kaggle比赛Santander Customer Satisfaction：赛题简介与初次尝试

题目描述：https://www.kaggle.com/c/santander-customer-satisfaction

简单总结：一堆匿名属性；label是0/1；目标是最大化AUC(ROC曲线下的面积)。

第一次尝试：

特征：

由于比赛已经关闭，只能作为测试，我就直接用了暴力搜索提取较好的特征：

[python]  view plain  copy  

1. #!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! better use a RFC or GBC as the clf  
2. #!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! because the final predict model are those two  
3. #!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! we should select better feature for RFC or GBC, not for LR  
4. clf = LogisticRegression(class_weight='balanced', penalty='l2', n_jobs=-1)  
5. selectedFeaInds=GreedyFeatureAdd(clf, trainX, trainY, scoreType="auc", goodFeatures=[], maxFeaNum=150)  
6. joblib.dump(selectedFeaInds, 'modelPersistence/selectedFeaInds.pkl')  
7. #selectedFeaInds=joblib.load('modelPersistence/selectedFeaInds.pkl')   
8. trainX=trainX[:,selectedFeaInds]  
9. testX=testX[:,selectedFeaInds]  
10. print trainX.shape  

模型：

直接使用sklearn中最常用的三个模型：

[python]  view plain  copy  

1. trainN=len(trainY)  
2. print "Creating train and test sets for blending..."  
3. #!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! always use a seed for randomized procedures  
4. models=[  
5.     RandomForestClassifier(n_estimators=1999, criterion='gini', n_jobs=-1, random_state=SEED),  
6.     RandomForestClassifier(n_estimators=1999, criterion='entropy', n_jobs=-1, random_state=SEED),  
7.     ExtraTreesClassifier(n_estimators=1999, criterion='gini', n_jobs=-1, random_state=SEED),  
8.     ExtraTreesClassifier(n_estimators=1999, criterion='entropy', n_jobs=-1, random_state=SEED),  
9.     GradientBoostingClassifier(learning_rate=0.1, n_estimators=101, subsample=0.6, max_depth=8, random_state=SEED)  
10. ]  
11. #StratifiedKFold is a variation of k-fold which returns stratified folds: each set contains approximately the same percentage of samples of each target class as the complete set.  
12. #kfcv=KFold(n=trainN, n_folds=nFold, shuffle=True, random_state=SEED)  
13. kfcv=StratifiedKFold(y=trainY, n_folds=nFold, shuffle=True, random_state=SEED)  
14. dataset_trainBlend=np.zeros( ( trainN, len(models) ) )  
15. dataset_testBlend=np.zeros( ( len(testX), len(models) ) )  
16. meanAUC=0.0  
17. for i, model in enumerate(models):  
18.     print "model ", i, "=="*20  
19.     dataset_testBlend_j=np.zeros( ( len(testX), nFold ) )  
20.     for j, (trainI, testI) in enumerate(kfcv):  
21.         print "Fold ", j, "^"*20  

最终结果：

通过blending所有模型的结果：

[python]  view plain  copy  

1. print "Blending models..."  
2. #!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! if we want to predict some real values, use RidgeCV  
3. model=LogisticRegression(n_jobs=-1)  
4. C=np.linspace(0.001,1.0,1000)  
5. trainAucList=[]  
6. for c in C:  
7.     model.C=c  
8.     model.fit(dataset_trainBlend,trainY)  
9.     trainProba=model.predict_proba(dataset_trainBlend)[:,1]  
10.     trainAuc=metrics.roc_auc_score(trainY, trainProba)  
11.     trainAucList.append((trainAuc, c))  
12. sortedtrainAucList=sorted(trainAucList)  
13. for trainAuc, c in sortedtrainAucList:  
14.     print "c=%f => trainAuc=%f" % (c, trainAuc)  

[python]  view plain  copy  

1. model.C=sortedtrainAucList[-1][1] #0.05  
2. model.fit(dataset_trainBlend,trainY)  
3. trainProba=model.predict_proba(dataset_trainBlend)[:,1]  
4. print "train auc: %f" % metrics.roc_auc_score(trainY, trainProba)  #0.821439  
5. print "model.coef_: ", model.coef_  
6. print "Predict and saving results..."  
7. submitProba=model.predict_proba(dataset_testBlend)[:,1]  
8. df=pd.DataFrame(submitProba)  
9. print df.describe()  
10. SaveFile(submitID, submitProba, fileName="1submit.csv")  

归一化：

[python]  view plain  copy  

1. print "MinMaxScaler predictions to [0,1]..."  
2. mms=preprocessing.MinMaxScaler(feature_range=(0, 1))  
3. submitProba=mms.fit_transform(submitProba)  
4. df=pd.DataFrame(submitProba)  
5. print df.describe()  
6. SaveFile(submitID, submitProba, fileName="1submitScale.csv")  

从测试结果中总结经验：

第一：暴力搜索特征的方式在特征数较多的情况下不可取；较少的情况下可以考虑（<200）

第二：sklearn中的这几个模型，ExtraTreesClassifier效果最差，RandomForestClassifier效果较好且速度比较快，GradientBoostingClassifier结果最好但速度非常慢（因为不能并行）

第三：当某一个模型（GradientBoostingClassifier）比其他模型效果好很多时，不要使用blending的方法（尤其是特征空间一样，分类器类似的情况，比如这里的五个分类器都在同一组特征上建模，而且都是基于树的分类器），因为blending往往会使整体效果低于单独使用最好的一个模型

第四：对于AUC，实际上关心的是样本间的排名，而不是具体数值的大小，所以结果没必要做归一化处理；关于这个结论，自行搜索资料理解

持续更新后续经验，欢迎关注^_^