美文网首页机器学习与数据挖掘数据分析大数据,机器学习,人工智能
机器学习之时间序列分析(二):Kaggle比赛Web Traff

机器学习之时间序列分析(二):Kaggle比赛Web Traff

作者: 墨攻科技 | 来源:发表于2018-08-19 16:28 被阅读25次

    今天才发现kaggle的Discussion和Kernel内容区别还挺大的。我原来一直在Kernel中找解决方案。其实很多都在Discussion版块给了自己解决方案描述并附加github。

    Web Traffic Time Series Forcasting
    该题目中提供了过去一年多时间的一些维基词语每天的访问情况,要求预测未来一年这些维基词语的访问情况。

    通过对这道题各个solution的分析可以发现一个很神奇的现象:我们在前一篇文章中提到的方法ARIMA之类的并未被这些solution使用。包括facebook提供的用来做时间序列预估的库Prophet也被证明效果不好。

    这里有个大家总体方案的讨论帖。Share your general approach?
    还有个兄弟的经验总结.Tips from the winning solutions .
    都值得看下。

    这里重点分析我们能看到的三个solution。

    Baseline Solution 使用中位数

    baseline solution
    使用中位数预测

    import numpy as np # linear algebra
    import pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)
    
    
    train = pd.read_csv("../input/train_1.csv")
    train = train.fillna(0.)
    
    
    # I'm gong to share a solution that I found interesting with you.
    # The idea is to compute the median of the series in different window sizes at the end of the series,
    # and the window sizes are increasing exponentially with the base of golden ratio.
    # Then a median of these medians is taken as the estimate for the next 60 days.
    # This code's result has the score of around 44.9 on public leaderboard, but I could get upto 44.7 by playing with it.
    
    # r = 1.61803398875
    # Windows = np.round(r**np.arange(0,9) * 7)
    Windows = [6, 12, 18, 30, 48, 78, 126, 203, 329]
    
    
    n = train.shape[1] - 1 #  550
    Visits = np.zeros(train.shape[0])
    for i, row in train.iterrows():
        M = []
        start = row[1:].nonzero()[0]
        if len(start) == 0:
            continue
        if n - start[0] < Windows[0]:
            Visits[i] = row.iloc[start[0]+1:].median()
            continue
        for W in Windows:
            if W > n-start[0]:
                break
            M.append(row.iloc[-W:].median())
        Visits[i] = np.median(M)
    
    Visits[np.where(Visits < 1)] = 0.
    train['Visits'] = Visits
    
    
    test = pd.read_csv("../input/key_1.csv")
    test['Page'] = test.Page.apply(lambda x: x[:-11])
    
    test = test.merge(train[['Page','Visits']], on='Page', how='left')
    test[['Id','Visits']].to_csv('sub.csv', index=False)
    

    原理解释如下:
    就是对每一行(每个词从XX年XX月XX日到YY年Y月Y日每天的访问量)求非NAN值的中位数。

    中位数求法如下:

    1. 对该行最后六天访问量求中位数,最后12天求中位数,最后18天求中位数。。。。按斐波那契数列的天数求出一个中位数数组。就是按数列[6, 12, 18, 30, 48, 78, 126, 203, 329]为求中位数的天数

    2. 对上面求出来的中位数数组再求一次中位数

    3. 以中位数值为预测结果

    Solution 2 使用CNN ??(rank 2nd)

    2nd Solution

    Solution 3 使用RNN seq2seq (rank 1st)

    1st Solution

    后面两个方案,等我撸完 < hands-on machine learning with scikit-learn and tensorflow > 再来分析

    相关文章

      网友评论

      本文标题:机器学习之时间序列分析(二):Kaggle比赛Web Traff

      本文链接:https://www.haomeiwen.com/subject/miiciftx.html