一、实先准备
import numpy as np
import pandas as pd
import lightgbm as lgb
from sklearn.metrics import mean_squared_log_error, mean_absolute_error, mean_squared_error
import tqdm
import sys
import os
import gc
import argparse
import warnings
warnings.filterwarnings('ignore')
二、测试集与数据集读取
# 使用 read_csv() 函数从文件中读取训练集数据，文件名为 'train.csv'
train = pd.read_csv('./data/data283931/train.csv')
# 使用 read_csv() 函数从文件中读取测试集数据，文件名为 'train.csv'
test = pd.read_csv('./data/data283931/test.csv')
三、特征工程
# 合并训练数据和测试数据，并进行排序
data = pd.concat([test, train], axis=0, ignore_index=True)
data = data.sort_values(['id','dt'], ascending=False).reset_index(drop=True)
# 历史平移
for i in range(10,30):
data[f'last{i}_target'] = data.groupby(['id'])['target'].shift(i)
# 窗口统计
data[f'win3_mean_target'] = (data['last10_target'] + data['last11_target'] + data['last12_target']) / 3
# 进行数据切分
train = data[data.target.notnull()].reset_index(drop=True)
test = data[data.target.isnull()].reset_index(drop=True)
# 确定输入特征
train_cols = [f for f in data.columns if f not in ['id','target']]
-
合并数据并排序：
- 将测试数据和训练数据合并，并重置索引。
- 按照
id和dt（日期）字段对数据进行降序排序。
-
历史平移：
- 对于每个
id，创建历史目标值的滞后特征（last10_target到last29_target），即每个id的目标值向前移动10到29个时间步长。
- 对于每个
-
窗口统计：
- 计算窗口统计特征
win3_mean_target，即last10_target、last11_target和last12_target的平均值。
- 计算窗口统计特征
-
数据切分：
- 根据目标值是否为空，将数据切分为训练集和测试集。
-
确定输入特征：
train_cols包含除了id和target之外的所有列。
四、 定义模型
from lightgbm.callback import log_evaluation # 导入lightgbm库中的log_evaluation回调函数
def time_model(lgb, train_df, test_df, cols):
# 训练集和验证集切分
trn_x, trn_y = train_df[train_df.dt>=31][cols], train_df[train_df.dt>=31]['target'] # 训练集特征和标签，使用日期大于等于31的数据
val_x, val_y = train_df[train_df.dt<=30][cols], train_df[train_df.dt<=30]['target'] # 验证集特征和标签，使用日期小于等于30的数据
# 构建模型输入数据
train_matrix = lgb.Dataset(trn_x, label=trn_y) # 训练数据集
valid_matrix = lgb.Dataset(val_x, label=val_y) # 验证数据集
# lightgbm参数设定
lgb_params = {
'boosting_type': 'gbdt', # boosting类型为gbdt
'objective': 'regression', # 目标函数为回归
'metric': 'mse', # 评估指标为均方误差
'min_child_weight': 5, # 最小叶子节点样本权重和
'num_leaves': 2 ** 5, # 叶子节点数
'lambda_l2': 10, # L2正则化权重
'feature_fraction': 0.8, # 每次迭代使用的特征比例
'bagging_fraction': 0.8, # 每次迭代时用于训练的数据比例
'bagging_freq': 4, # bagging的频率
'learning_rate': 0.05, # 学习率
'seed': 2024, # 随机种子
'nthread': 16, # 线程数
'verbose': -1, # 不打印训练过程中的信息
}
# 训练模型
model = lgb.train(lgb_params, train_matrix, 50000, valid_sets=[train_matrix, valid_matrix],
callbacks=[log_evaluation(period=100)]) # 使用50000轮训练，每100轮打印一次评估信息
# 验证集和测试集结果预测
val_pred = model.predict(val_x, num_iteration=model.best_iteration) # 预测验证集结果
test_pred = model.predict(test_df[cols], num_iteration=model.best_iteration) # 预测测试集结果
# 离线分数评估
score = mean_squared_error(val_pred, val_y) # 计算均方误差作为评分
print(score) # 打印评分
return val_pred, test_pred # 返回验证集和测试集预测结果
lgb_oof, lgb_test = time_model(lgb, train, test, train_cols) # 调用time_model函数进行训练和预测
# 保存结果文件到本地
test['target'] = lgb_test # 将预测结果添加到测试集中
test[['id','dt','target']].to_csv('submit.csv', index=None) # 将预测结果保存为submit.csv文件，包括id、日期和目标预测值
这段代码实现了使用LightGBM进行时间序列模型训练和预测的过程。
1. 首先，根据日期将数据集划分为训练集和验证集。 2. 使用LightGBM的Dataset类构建模型所需的数据结构。 3. 设定LightGBM模型的参数，包括boosting类型、目标函数、评估指标等。 4. 训练模型并通过log_evaluation回调函数定期打印训练过程中的评估信息。 5. 使用训练好的模型对验证集和测试集进行预测。 6. 计算验证集预测结果的均方误差作为模型的离线评估指标。 7. 最后，将测试集预测结果保存为CSV文件，包括每个样本的id、日期和预测目标值。五、 模型评估
1）模型迭代
这段代码会在以下情况下停止：
-
训练达到指定的迭代次数: 在
lgb.train方法中，指定了50000作为最大迭代次数 (num_boost_rounds)。模型将会在达到这个迭代次数后停止训练。 -
早停机制: LightGBM 提供了早停机制，可以在验证集上的评估指标不再提升时停止训练。在这段代码中，通过
valid_sets=[train_matrix, valid_matrix]将训练集和验证集传递给lgb.train方法，并且使用callbacks=[log_evaluation(period=100)]来定期记录评估结果。当验证集上的性能不再改善时，训练将会提前停止，而不会等到达到最大迭代次数。
因此，代码会在达到指定的迭代次数（50000次）或者早停机制触发时停止运行。
2）模型评分
标签：Task2,target,训练,AI,Datawhale,train,import,csv,data From： https://www.cnblogs.com/Rammstein-and-rock/p/18308461