AI有道

?

公眾號歷史文章目錄（請戳我）

前陣子因為機器學習訓練營的任務安排，需要打一場 AI 比賽。然后就了解到最近熱度很高且非常適合新人入門的一場比賽：天池新人實戰賽o2o優惠券使用預測。今天，紅色石頭把這場比賽的一些初級理論分析和代碼實操分享給大家。本文會講解的很細，目的是帶領大家走一遍比賽流程，實現機器學習理論分析到比賽實戰的進階。話不多說，我們開始吧！

比賽介紹

首先附上這場比賽的鏈接：

https://tianchi.aliyun.com/getStart/introduction.htm?spm=5176.100066.0.0.518433afBqXIKM&raceId=231593

本賽題的比賽背景是隨著移動設備的完善和普及，移動互聯網+各行各業進入了高速發展階段，這其中以 O2O（Online to Offline）消費最為吸引眼球。本次大賽為參賽選手提供了 O2O 場景相關的豐富數據，希望參賽選手通過分析建模，精準預測用戶是否會在規定時間（15 天）內使用相應優惠券。

從機器學習模型的角度來說，這是一個典型的分類問題，其過程就是根據已有訓練集進行訓練，得到的模型再對測試進行測試并分類。整個過程如下圖所示：

評估方式

我們知道評估一個機器學習模型有多種方式，最常見的例如準確率（Accuracy）、精確率（Precision）、召回率（Recall）。一般使用精確率和召回率結合的方式 F1 score 能較好地評估模型性能（特別是在正負樣本不平衡的情況下）。而在本賽題，官方規定的評估方式是 AUC，即 ROC 曲線與橫坐標圍成的面積。如下圖所示：

關于 ROC 和 AUC 的概念這里不加解釋，至于為什么要使用 ROC 和 AUC 呢？因為 ROC 曲線有個很好的特性：當測試集中的正負樣本的分布變化的時候，ROC曲線能夠保持不變。也就是說能夠更好地處理正負樣本分布不均的場景。

數據集導入

對任何機器學習模型來說，數據集永遠是最重要的。接下來，我們就來看看這個比賽的數據集是什么樣的。

首先來看一下大賽提供給我們的數據集：

總共有四個文件，分別是：

• ccf_offline_stage1_test_revised.csv

• ccf_offline_stage1_train.csv

• ccf_online_stage1_train.csv

• sample_submission.csv

其中，第 2 個是線下訓練集，第 1 個是線下測試集，第 3 個是線上訓練集（本文不會用到），第 4 個是預測結果提交到官網的文件格式（需按照此格式提交才有效）。也就是說我們使用第 2 個文件來訓練模型，對第 1 個文件進行預測，得到用戶在 15 天內使用優惠券的概率值。

接下來，對 2、1、4 文件中字段進行列舉，字段解釋如下圖所示。

ccf_offline_stage1_train.csv

ccf_offline_stage1_test_revised.csv

sample_submission.csv

重點記住兩個字段：Date_received 是領取優惠券日期，Date 是消費日期。待會我將詳細介紹。

介紹完幾個數據文件和字段之后，我們就來編寫程序，導入訓練集和測試集，同時導入需要用到的庫。

# import libraries necessary for this project import os, sys, pickleimport numpy as np import pandas as pdfrom datetime import datefrom sklearn.model_selection import KFold, train_test_split, StratifiedKFold, cross_val_score, GridSearchCV from sklearn.pipeline import Pipeline from sklearn.linear_model import SGDClassifier, LogisticRegression from sklearn.preprocessing import StandardScaler from sklearn.metrics import log_loss, roc_auc_score, auc, roc_curve from sklearn.preprocessing import MinMaxScaler# display for this notebook %matplotlib inline %config InlineBackend.figure_format = 'retina'

導入數據：

dfoff = pd.read_csv('data/ccf_offline_stage1_train.csv') dfon = pd.read_csv('data/ccf_online_stage1_train.csv') dftest = pd.read_csv('data/ccf_offline_stage1_test_revised.csv')dfoff.head(5)

是訓練集前 5 行顯示如下：

接下來，我們來做個簡單統計，看一看究竟用戶是否使用優惠券消費的情況。

print('有優惠卷，購買商品：%d' % dfoff[(dfoff['Date_received'] != 'null') & (dfoff['Date'] != 'null')].shape[0]) print('有優惠卷，未購商品：%d' % dfoff[(dfoff['Date_received'] != 'null') & (dfoff['Date'] == 'null')].shape[0]) print('無優惠卷，購買商品：%d' % dfoff[(dfoff['Date_received'] == 'null') & (dfoff['Date'] != 'null')].shape[0]) print('無優惠卷，未購商品：%d' % dfoff[(dfoff['Date_received'] == 'null') & (dfoff['Date'] == 'null')].shape[0])

有優惠卷，購買商品：75382

有優惠卷，未購商品：977900

無優惠卷，購買商品：701602

無優惠卷，未購商品：0

可見，很多人（701602）購買商品卻沒有使用優惠券，也有很多人（977900）有優惠券但卻沒有使用，真正使用優惠券購買商品的人（75382）很少！所以，這個比賽的意義就是把優惠券送給真正可能會購買商品的人。

特征提取

毫不夸張第說，構建機器學習模型，特征工程可能比選擇哪種算法更加重要。接下來，我們就來研究一下哪些特征可能對模型訓練有用。

1. 打折率（Discount_rate）

首先，第一個想到的特征應該是優惠卷的打折率。因為很顯然，一般情況下優惠得越多，用戶就越有可能使用優惠券。那么，我們就來看一下訓練集中優惠卷有哪些類型。

print('Discount_rate 類型：\n',dfoff['Discount_rate'].unique())

Discount_rate 類型：

['null' '150:20' '20:1' '200:20' '30:5' '50:10' '10:5' '100:10' '200:30' '20:5' '30:10' '50:5' '150:10' '100:30' '200:50' '100:50' '300:30' '50:20' '0.9' '10:1' '30:1' '0.95' '100:5' '5:1' '100:20' '0.8' '50:1' '200:10' '300:20' '100:1' '150:30' '300:50' '20:10' '0.85' '0.6' '150:50' '0.75' '0.5' '200:5' '0.7' '30:20' '300:10' '0.2' '50:30' '200:100' '150:5']

根據打印的結果來看，打折率分為 3 種情況：

• 'null' 表示沒有打折?

• [0,1] 表示折扣率?

• x:y 表示滿 x 減 y

那我們的處理方式可以構建 4 個函數，分別提取 4 種特征，分別是：

• 打折類型：getDiscountType()

• 折扣率：convertRate()

• 滿多少：getDiscountMan()

• 減多少：getDiscountJian()

函數代碼如下：

# Convert Discount_rate and Distance def getDiscountType(row):if row == 'null':return 'null'elif ':' in row:return 1else:return 0def convertRate(row):"""Convert discount to rate"""if row == 'null':return 1.0elif ':' in row:rows = row.split(':')return 1.0 - float(rows[1])/float(rows[0])else:return float(row)def getDiscountMan(row):if ':' in row:rows = row.split(':')return int(rows[0])else:return 0def getDiscountJian(row):if ':' in row:rows = row.split(':')return int(rows[1])else:return 0def processData(df):# convert discount_ratedf['discount_type'] = df['Discount_rate'].apply(getDiscountType)df['discount_rate'] = df['Discount_rate'].apply(convertRate)df['discount_man'] = df['Discount_rate'].apply(getDiscountMan)df['discount_jian'] = df['Discount_rate'].apply(getDiscountJian)print(df['discount_rate'].unique())return df

然后，對訓練集和測試集分別進行進行 processData（）函數的處理：

dfoff = processData(dfoff) dftest = processData(dftest)

處理之后，我們可以看到訓練集和測試集都多出了 4 個新的特征：discount_type、discount_rate、discount_man、discount_jian。

2. 距離（Distance）

距離字段表示用戶與商店的地理距離，顯然，距離的遠近也會影響到優惠券的使用與否。那么，我們就可以把距離也作為一個特征。首先看一下距離有哪些特征值：

print('Distance 類型：',dfoff['Distance'].unique())

Distance 類型： ['0' '1' 'null' '2' '10' '4' '7' '9' '3' '5' '6' '8']

然后，定義提取距離特征的函數：

# convert distance dfoff['distance'] = dfoff['Distance'].replace('null', -1).astype(int) print(dfoff['distance'].unique()) dftest['distance'] = dftest['Distance'].replace('null', -1).astype(int) print(dftest['distance'].unique())

處理之后，我們可以看到訓練集和測試集都多出了 1 個新的特征：distance。

3.?領劵日期（Date_received）

是還有一點很重要的是領券日期，因為一般而言，周末領取優惠券去消費的可能性更大一些。因此，我們可以構建關于領券日期的一些特征：

• weekday : {null, 1, 2, 3, 4, 5, 6, 7}?

• weekday_type : {1, 0}（周六和周日為1，其他為0）?

• Weekday_1 : {1, 0, 0, 0, 0, 0, 0}?

• Weekday_2 : {0, 1, 0, 0, 0, 0, 0}?

• Weekday_3 : {0, 0, 1, 0, 0, 0, 0}?

• Weekday_4 : {0, 0, 0, 1, 0, 0, 0}?

• Weekday_5 : {0, 0, 0, 0, 1, 0, 0}?

• Weekday_6 : {0, 0, 0, 0, 0, 1, 0}?

• Weekday_7 : {0, 0, 0, 0, 0, 0, 1}

其中用到了獨熱編碼，讓特征更加豐富。相應的這 9 個特征的提取函數為：

def getWeekday(row):if row == 'null':return rowelse:return date(int(row[0:4]), int(row[4:6]), int(row[6:8])).weekday() + 1dfoff['weekday'] = dfoff['Date_received'].astype(str).apply(getWeekday) dftest['weekday'] = dftest['Date_received'].astype(str).apply(getWeekday)# weekday_type : ?周六和周日為1，其他為0 dfoff['weekday_type'] = dfoff['weekday'].apply(lambda x: 1 if x in [6,7] else 0) dftest['weekday_type'] = dftest['weekday'].apply(lambda x: 1 if x in [6,7] else 0)# change weekday to one-hot encoding weekdaycols = ['weekday_' + str(i) for i in range(1,8)] #print(weekdaycols)tmpdf = pd.get_dummies(dfoff['weekday'].replace('null', np.nan)) tmpdf.columns = weekdaycols dfoff[weekdaycols] = tmpdftmpdf = pd.get_dummies(dftest['weekday'].replace('null', np.nan)) tmpdf.columns = weekdaycols dftest[weekdaycols] = tmpdf

這樣，我們就會在訓練集和測試集上發現增加了 9 個關于領券日期的特征：

好了，經過以上簡單的特征提取，我們總共得到了 14 個有用的特征：

• discount_rate

• discount_type

• discount_man

• discount_jian

• distance

• weekday

• weekday_type

• weekday_1

• weekday_2

• weekday_3

• weekday_4

• weekday_5

• weekday_6

• weekday_7

好了，我們的主要工作已經完成了大半！

標注標簽 Label

有了特征之后，我們還需要對訓練樣本進行 label 標注，即確定哪些是正樣本（y = 1），哪些是負樣本（y = 0）。我們要預測的是用戶在領取優惠券之后 15 之內的消費情況。所以，總共有三種情況：

1. Date_received == 'null'：

表示沒有領到優惠券，無需考慮，y = -1?

2. (Date_received != 'null') & (Date != 'null') & (Date - Date_received <= 15)：

表示領取優惠券且在15天內使用，即正樣本，y = 1?

3. (Date_received != 'null') & ((Date == 'null') | (Date - Date_received > 15))：

表示領取優惠券未在在15天內使用，即負樣本，y = 0

好了，知道規則之后，我們就可以定義標簽備注函數了。

def label(row):if row['Date_received'] == 'null':return -1if row['Date'] != 'null':td = pd.to_datetime(row['Date'], format='%Y%m%d') - pd.to_datetime(row['Date_received'], format='%Y%m%d')if td <= pd.Timedelta(15, 'D'):return 1return 0dfoff['label'] = dfoff.apply(label, axis=1)

我們可以使用這個函數對訓練集進行標注，看一下正負樣本究竟有多少：

print(dfoff['label'].value_counts())

0? ? 988887?

-1? ?701602?

1? ? 64395?

Name: label, dtype: int64

很清晰地，正樣本共有 64395 例，負樣本共有 988887 例。顯然，正負樣本數量差別很大。這也是為什么會使用 AUC 作為模型性能評估標準的原因。

建立模型

接下來就是最主要的建立機器學習模型了。首先確定的是我們選擇的特征是上面提取的 14 個特征，為了驗證模型的性能，需要劃分驗證集進行模型驗證，劃分方式是按照領券日期，即訓練集：20160101-20160515，驗證集：20160516-20160615。我們采用的模型是簡單的?SGDClassifier。

1. 劃分訓練集和驗證集

# data split df = dfoff[dfoff['label'] != -1].copy() train = df[(df['Date_received'] < '20160516')].copy() valid = df[(df['Date_received'] >= '20160516') & (df['Date_received'] <= '20160615')].copy() print('Train Set: \n', train['label'].value_counts()) print('Valid Set: \n', valid['label'].value_counts())

2. 構建模型

def check_model(data, predictors):classifier = lambda: SGDClassifier(loss='log', ?# loss function: logistic regressionpenalty='elasticnet', # L1 & L2fit_intercept=True, ?# 是否存在截距，默認存在max_iter=100, shuffle=True, ?# Whether or not the training data should be shuffled after each epochn_jobs=1, # The number of processors to useclass_weight=None) # Weights associated with classes. If not given, all classes are supposed to have weight one.# 管道機制使得參數集在新數據集（比如測試集）上的重復使用，管道機制實現了對全部步驟的流式化封裝和管理。model = Pipeline(steps=[('ss', StandardScaler()), # transformer('en', classifier()) ?# estimator])parameters = {'en__alpha': [ 0.001, 0.01, 0.1],'en__l1_ratio': [ 0.001, 0.01, 0.1]}# StratifiedKFold用法類似Kfold，但是他是分層采樣，確保訓練集，測試集中各類別樣本的比例與原始數據集中相同。folder = StratifiedKFold(n_splits=3, shuffle=True)# Exhaustive search over specified parameter values for an estimator.grid_search = GridSearchCV(model, parameters, cv=folder, n_jobs=-1, ?# -1 means using all processorsverbose=1)grid_search = grid_search.fit(data[predictors], data['label'])return grid_search

模型采用的是 SGDClassifier，使用了 Python 中的 Pipeline 管道機制，可以使參數集在新數據集（比如測試集）上的重復使用，管道機制實現了對全部步驟的流式化封裝和管理。交叉驗證采用?StratifiedKFold，其用法類似 Kfold，但是 StratifiedKFold?是分層采樣，確保訓練集，測試集中各類別樣本的比例與原始數據集中相同。

3. 訓練

接下來就可以使用該模型對訓練集進行訓練了，整個訓練過程大概 1-2 分鐘的時間。

predictors = original_feature model = check_model(train, predictors)

4. 驗證

然后對驗證集中每個優惠券預測的結果計算 AUC，再對所有優惠券的 AUC 求平均。計算 AUC 的時候，如果 label 只有一類，就直接跳過，因為 AUC 無法計算。

# valid predict y_valid_pred = model.predict_proba(valid[predictors]) valid1 = valid.copy() valid1['pred_prob'] = y_valid_pred[:, 1] valid1.head(5)

注意這里得到的結果 pred_prob 是概率值（預測樣本屬于正類的概率）。

最后，就可以對驗證集計算 AUC。直接調用 sklearn 庫自帶的計算 AUC 函數即可。

# avgAUC calculation vg = valid1.groupby(['Coupon_id']) aucs = [] for i in vg:tmpdf = i[1] if len(tmpdf['label'].unique()) != 2:continuefpr, tpr, thresholds = roc_curve(tmpdf['label'], tmpdf['pred_prob'], pos_label=1)aucs.append(auc(fpr, tpr)) print(np.average(aucs))

0.532344469452

最終得到的 AUC 就等于 0.53。

測試

訓練完模型之后，就是使用訓練好的模型對測試集進行測試了。并且將測試得到的結果（概率值）按照規定的格式保存成一個 .csv 文件。

# test prediction for submission y_test_pred = model.predict_proba(dftest[predictors]) dftest1 = dftest[['User_id','Coupon_id','Date_received']].copy() dftest1['Probability'] = y_test_pred[:,1] dftest1.to_csv('submit.csv', index=False, header=False) dftest1.head(5)

值得注意的是，這里得到的結果是概率值，最終的 AUC 是提交到官網之后平臺計算的。因為測試集真正的 label 我們肯定是不知道的。

提交結果

好了，最后一步就是在比賽官網上提交我們的預測結果，即這里的 submit.csv 文件。提交完之后，過幾個小時就可以看到成績了。整個比賽的流程就完成了。

優化模型

其實，本文所述的整個比賽思路和算法是比較簡單的，得到的結果和成績也只能算是合格，名次不會很高。我們還可以運用各種手段優化模型，簡單來說分為以下三種：

• 特征工程

• 機器學習

• 模型融合

總結

本文的主要目的是帶領大家走一遍整個比賽的流程，培養一些比賽中特征提取和算法應用方面的知識。這個天池比賽目前還是比較火熱的，雖然沒有獎金，但是參賽人數已經超過 1.1w 了。看完本文之后，希望大家有時間去參加感受一下機器學習比賽的氛圍，將理論應用到實戰中去。

本文完整的代碼我已經放在了 GitHub 上，有需要的請自行領取：

https://github.com/RedstoneWill/MachineLearningInAction-Camp/tree/master/Week4/o2o%20Code_Easy

同時，本比賽第一名的代碼也開源了，一同放出，供大家學習：

https://github.com/wepe/O2O-Coupon-Usage-Forecast

【推薦閱讀】

吳恩達《Machine Learning Yearning》中文版

我的深度學習入門路線

我的機器學習入門路線圖

總結

以上是生活随笔為你收集整理的干货 | 谈谈我是如何入门这场 AI 大赛的的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。