1. 问题
今天来看一个回归问题——Kaggle竞赛，根据日期时间、天气、温度等特征，预测自行车的租借量。训练与测试数据集大概长这样：
// traindatetime,season,holiday,workingday,weather,temp,atemp,humidity,windspeed,casual,registered,count2011-01-01 00:00:00,1,0,0,1,9.84,14.395,81,0,3,13,162011-01-01 01:00:00,1,0,0,1,9.02,13.635,80,0,8,32,40// testdatetime,season,holiday,workingday,weather,temp,atemp,humidity,windspeed2011-01-20 00:00:00,1,0,1,1,10.66,11.365,56,26.00272011-01-20 01:00:00,1,0,1,1,10.66,13.635,56,
观察上面的数据，我们可以发现：租借量等于注册用户租借量加上未注册用户租借量，即casual + registered。评价指标是loss函数RMSLE (Root Mean Squared Logarithmic Error)：
\[ \sqrt{\frac{1}{n} \sum_{i=1}^n (\log (p_i +1) - \log (a_i+1))^2 } \]
其中，\(p_i\)为预测的租借量，\(a_i\)为实际的租借量，\(n\)为样本数。实际上，RMSLE就是一个误差函数。
2. 分析
特征工程
日期时间放在一个string字段里，我们需要解析出年、月、weekday、小时等，之所以没有选择天做特征，是因为weekday更具有周期性、代表性。
import pandas as pdtrain = pd.read_csv("data/train.csv", parse_dates=[0], date_parser=lambda d: pd.datetime.strptime(d, '%Y-%m-%d %H:%M:%S'))train['year'] = train['datetime'].map(lambda d: d.year)train['month'] = train['datetime'].map(lambda d: d.month)train['hour'] = train['datetime'].map(lambda d: d.hour)train['weekday'] = train['datetime'].map(lambda d: d.weekday())train['day'] = train['datetime'].map(lambda d: d.day) 为了方便计算，我们categorical化部分特征：
df['weather'] = df['weather'].astype('category')df['holiday'] = df['holiday'].astype('category')df['workingday'] = df['workingday'].astype('category')df['season'] = df['season'].astype('category')df['hour'] = df['hour'].astype('category') 选用的特征如下：
features = ['season', 'holiday', 'workingday', 'weather', 'temp', 'atemp', 'humidity', 'windspeed', 'time', 'weekday', 'year']
之所以丢掉了month特征，是因为发现有过拟合。
回归
选用GBM来做回归，参数是通过grid_search挑出来的：
booster = ensemble.GradientBoostingRegressor(n_estimators=500)param_grid = {'learning_rate': [0.1, 0.05, 0.01], 'max_depth': [10, 15, 20], 'min_samples_leaf': [3, 5, 10, 20], }gs_cv = GridSearchCV(booster, param_grid, n_jobs=4).fit(training[features], training['log-count'])# best hyperparameter settingprint(gs_cv.best_params_)# {'learning_rate': 0.05, 'max_depth': 10, 'min_samples_leaf': 20} 该方法的RMSLE为0.43789。前面提到了租借量为casual + registered之和，那么我们可以把这两者看做类别，分别用GBM进行预测，然后相加后得到结果。结果的确将RMSLE降低到了0.41983。
前面只用到了一种回归方法，那能不能将GBM与RF的结果合到一起呢？答案是可以的，通过赋权值0.5（即平均ensemble）的方式将两个结果组合起来，RMSLE降低到了0.37022。评价指标结果对比如下：
| 特征 | 回归 | RMSLE |
|---|---|---|
| +年、星期、小时 | GBM | 0.43789 |
| GBM + GBM | 0.41983 | |
| GBM RF ensemble | 0.37022 |
结论：ensemble真是个好方法，三个臭皮匠赛过诸葛亮。
3. 参考资料
[1] 阿波, .
[2] Damien RJ, .