总结|公共自行车使用量预测

本篇文章主要对在本次竞赛中排名靠前的同学的优化方法进行总结。
东文，14.835 第47名
冰琪，14.852 第50名
继端，14.871 第57名
可自行点击上述文章详细了解他们的优化过程

一、前言

• 总的来说，三位同学都经历了这三个步骤数据处理，特征处理，调参，但各步骤内所使用详细的方法有所不同。
• 这里我对三位同学的优化过程做了思维导图，帮助大家迅速了解他们的优化过程。

---

二、相同点分析

优化思路相似

• 都使用了xgboost，并分三步走：数据处理、特征分析与处理、参数调整。（ps：东文同学在得知数据清理的很干净后就不再进行数据处理）
• 其中在特征分析中三位同学都进行了变量之间的相关性分析。
• 在参数调整的阶段，都有根据变量的重要程度和相关度来进行调整，最终确定最优的参数组合

---

三、差异点分析

3.1 不使用工具 VS 使用工具

• 这里的工具是指gridSearchCV (网格搜索)
• 在本次竞赛中，冰琪和东文都使用了gridSearchCV，而继端没有。

这带来的差异有
（1）冰琪和东文在前面所进行的数据处理和特征处理都成了“无用功”。最后他们两个都发现，不进行任何数据处理和特征处理的原始数据，利用gridsearchCV进行调参的结果最佳，RMSE值最小。(当然，实践出真知，也只有试过了才知如何达到最优，并不是否定冰琪和东文的做法，只是陈述这一事实)
（2）反观继端，他前面的每一步数据处理和特征处理都是有用的，数据和特征的处理的处理使得损失值从18.847降到了14.32。

（3）但最终经过调参后，使用网格搜索的冰琪和东文的排名都优于不使用的继端。

3.1.2 使用工具与不使用工具孰优孰劣？（gridSearchCV）

使用gridSearchCV

• 优点：gridSearchCV将自动调参和交叉验证结合起来，只要把参数输进去，就能给出最优化的结果和参数。
• 缺点：这个方法适合于小数据集，一旦数据的量级上去了，很难得出结果。
  （tips:搭配坐标下降法调参可以减少这个缺点的影响，后面会有详细论述。）

Q:关于使用gridSearchCV过拟合的风险，我询问了东文。
东文：gridSearchCV本身就是结合了交叉验证的，是使用验证集来计算最佳分数（最佳分数的评判标准可以自己设置），所以过拟合的风险和平时自己划分训练集 、测试集是一样的。

不使用工具

• 优点：优化的过程是完整而有条理的，每一步的是基于前一步的分析处理而来，更容易把握整个优化过程（数据处理和特征分析处理）
• 缺点：相比使用GridSearchCV而言是耗时耗力的，需要自己进行完善的数据处理、和特征分析处理。特别是在调参时，需要自己对影响力大的几个参数进行排列组合调参，最后得到这会占用非常多的时间和运行内存。

---

3.2 坐标下降调参vs遍历所有参数组合调参

东文和冰琪的选择：
使用一个快速调优的方法——坐标下降。
拿当前对模型影响最大的参数调优，直到最优化；再拿下一个影响最大的参数调优，如此下去，直到所有的参数调整完毕。

• 优点：省时省力、占用运行内存少
• 缺点：可能会调到局部最优而不是全局最优

继端的选择：
固定树的不同深度，同时对其他参数一起调整，遍历所有参数组合，返回损失值最小的参数参合，即最优参数组合。

• 优点：有可能调到全局最优（我认为继端还能继续优化，得到更好的成绩）
• 缺点：复杂度高，占用运行内存多，且耗时耗力

---

四、总结

首先，三位同学优化的结果是很棒的。
其次，我认为他们使用的方法可以互相结合。

具体来说：

东文和冰琪可以改进的地方有：

• 在数据处理的时候，选择删去重复值。（继端验证了这一步能够使得RMSE进一步下降）
• 在特征分析的时候，在相关性分析的基础上，应该增加对各特征的重要性进行分析，再对重要的、相关性高的特征单个拎出来分析（如继端就进行了时间特征分析、温度特征分析、风速特征分析），这会对后续的调参有非常大的参考帮助。
• 要进行健壮性分析、异常处理。这里东文和冰琪都没有考虑到，然而这是一个重要的点，这一步同样能使得RMSE下降。

继端可以改进的地方有：

• 在数据处理，可以对离群点进行分析和处理，删除离群点，可能对于模型的优化有益。
• 可以试着结合gridSearchCV，帮助节省前面大量的调参工作，达到局部最优后，再继续用你原有的方法进一步调参，努力靠近全局最优，最终得到最优参数组合。

以上都是我个人的拙见，仅供参考，希望对大家有帮助~