機器學習算法競賽實戰(zhàn)

目　　錄
第 1 章　初見競賽 1
1．1　競賽平臺 2
1．1．1　Kaggle 2
1．1．2　天池 6
1．1．3　DF 7
1．1．4　DC 7
1．1．5　Kesci 7
1．1．6　JDATA 8
1．1．7　企業(yè)網(wǎng)站 8
1．2　競賽流程 8
1．2．1　問題建模 8
1．2．2　數(shù)據(jù)探索 9
1．2．3　特征工程 9
1．2．4　模型訓練 9
1．2．5　模型融合 10
1．3　競賽類型 10
1．3．1　數(shù)據(jù)類型 10
1．3．2　任務類型 11
1．3．3　應用場景 11
1．4　思考練習 11
第 2 章　問題建模 12
2．1　賽題理解 12
2．1．1　業(yè)務背景 12
2．1．2　數(shù)據(jù)理解　 14
2．1．3　評價指標 14
2．2　樣本選擇 20
2．2．1　主要原因 20
2．2．2　準確方法 22
2．2．3　應用場景 23
2．3　線下評估策略 24
2．3．1　強時序性問題 24
2．3．2　弱時序性問題 24
2．4　實戰(zhàn)案例 25
2．4．1　賽題理解 26
2．4．2　線下驗證 27
2．5　思考練習 28
第3 章　數(shù)據(jù)探索 29
3．1　數(shù)據(jù)初探 29
3．1．1　分析思路 29
3．1．2　分析方法 30
3．1．3　明確目的 30
3．2　變量分析 32
3．2．1　單變量分析 33
3．2．2　多變量分析 37
3．3　模型分析 39
3．3．1　學習曲線 39
3．3．2　特征重要性分析 40
3．3．3　誤差分析 41
3．4　思考練習 42
第4 章　特征工程 43
4．1　數(shù)據(jù)預處理 43
4．1．1　缺失值處理 44
4．1．2　異常值處理 45
4．1．3　優(yōu)化內(nèi)存 46
4．2　特征變換 47
4．2．1　連續(xù)變量無量綱化 47
4．2．2　連續(xù)變量數(shù)據(jù)變換 48
4．2．3　類別特征轉換 50
4．2．4　不規(guī)則特征變換 50
4．3　特征提取 51
4．3．1　類別相關的統(tǒng)計特征 51
4．3．2　數(shù)值相關的統(tǒng)計特征 53
4．3．3　時間特征 53
4．3．4　多值特征 54
4．3．5　小結 55
4．4　特征選擇 55
4．4．1　特征關聯(lián)性分析 55
4．4．2　特征重要性分析 57
4．4．3　封裝方法 57
4．4．4　小結 58
4．5　實戰(zhàn)案例 59
4．5．1　數(shù)據(jù)預處理　 59
4．5．2　特征提取 60
4．5．3　特征選擇 61
4．6　練習 62
第5 章　模型選擇 63
5．1　線性模型 63
5．1．1　Lasso 回歸 63
5．1．2　Ridge 回歸 64
5．2　樹模型 64
5．2．1　隨機森林 65
5．2．2　梯度提升樹 66
5．2．3　XGBoost 67
5．2．4　LightGBM 68
5．2．5　CatBoost 69
5．2．6　模型深入對比 70
5．3　神經(jīng)網(wǎng)絡 73
5．3．1　多層感知機 74
5．3．2　卷積神經(jīng)網(wǎng)絡 75
5．3．3　循環(huán)神經(jīng)網(wǎng)絡 77
5．4　實戰(zhàn)案例 79
5．5　練習 80
第6 章　模型融合 81
6．1　構建多樣性 81
6．1．1　特征多樣性 81
6．1．2　樣本多樣性 82
6．1．3　模型多樣性 82
6．2　訓練過程融合 83
6．2．1　Bagging 83
6．2．2　Boosting 83
6．3　訓練結果融合 84
6．3．1　加權法 84
6．3．2　Stacking 融合 86
6．3．3　Blending 融合 87
6．4　實戰(zhàn)案例 88
6．5　練習 90
第7 章　用戶畫像 91
7．1　什么是用戶畫像 92
7．2　標簽系統(tǒng) 92
7．2．1　標簽分類方式 92
7．2．2　多渠道獲取標簽 93
7．2．3　標簽體系框架 94
7．3　用戶畫像數(shù)據(jù)特征 95
7．3．1　常見的數(shù)據(jù)形式 95
7．3．2　文本挖掘算法 97
7．3．3　神奇的嵌入表示 98
7．3．4　相似度計算方法 101
7．4　用戶畫像的應用　 103
7．4．1　用戶分析　 103
7．4．2　精準營銷 104
7．4．3　風控領域 105
7．5　思考練習 106
第8 章　實戰(zhàn)案例：Elo Merchant Category Recommendation（Kaggle） 107
8．1　賽題理解 107
8．1．1　賽題背景 107
8．1．2　賽題數(shù)據(jù) 108
8．1．3　賽題任務 108
8．1．4　評價指標 109
8．1．5　賽題FAQ 109
8．2　探索性分析 109
8．2．1　字段類別含義 110
8．2．2　字段取值狀況 111
8．2．3　數(shù)據(jù)分布差異 112
8．2．4　表格關聯(lián)關系 115
8．2．5　數(shù)據(jù)預處理 115
8．3　特征工程 116
8．3．1　通用特征 116
8．3．2　業(yè)務特征 117
8．3．3　文本特征 118
8．3．4　特征選擇 119
8．4　模型訓練 119
8．4．1　隨機森林 119
8．4．2　LightGBM 121
8．4．3　XGBoost 124
8．5　模型融合 127
8．5．1　加權融合 127
8．5．2　Stacking 融合 127
8．6　高效提分 128
8．6．1　特征優(yōu)化 128
8．6．2　融合技巧 130
8．7　賽題總結 134
8．7．1　更多方案 134
8．7．2　知識點梳理 135
8．7．3　延伸學習 135
第9 章　時間序列分析 138
9．1　介紹時間序列分析 138
9．1．1　簡單定義 138
9．1．2　常見問題 139
9．1．3　交叉驗證 140
9．1．4　基本規(guī)則方法 141
9．2　時間序列模式 142
9．2．1　趨勢性 142
9．2．2　周期性 143
9．2．3　相關性 144
9．2．4　隨機性 144
9．3　特征提取方式 144
9．3．1 歷史平移 145
9．3．2　窗口統(tǒng)計 145
9．3．3　序列熵特征 145
9．3．4　其他特征 146
9．4　模型的多樣性 146
9．4．1　傳統(tǒng)的時序模型 147
9．4．2　樹模型 147
9．4．3　深度學習模型 148
9．5　練習 150
第 10 章　實戰(zhàn)案例：全球城市計算AI挑戰(zhàn)賽 151
10．1　賽題理解 151
10．1．1　背景介紹 152
10．1．2　賽題數(shù)據(jù) 152
10．1．3　評價指標 153
10．1．4　賽題FAQ 153
10．1．5　baseline 方案 153
10．2　探索性數(shù)據(jù)分析 157
10．2．1　數(shù)據(jù)初探 157
10．2．2　模式分析 159
10．3　特征工程 162
10．3．1　數(shù)據(jù)預處理 162
10．3．2　強相關性特征 163
10．3．3　趨勢性特征 165
10．3．4　站點相關特征 165
10．3．5　特征強化 166
10．4　模型選擇 166
10．4．1　LightGBM 模型 167
10．4．2　時序模型 168
10．5　強化學習 170
10．5．1　時序stacking 170
10．5．2　Top 方案解析 171
10．5．3　相關賽題推薦　 172
第 11 章　實戰(zhàn)案例-Corporación Favorita Grocery Sales Forecasting 174
11．1　賽題理解 174
11．1．1　背景介紹 174
11．1．2　賽題數(shù)據(jù) 175
11．1．3　評價指標 175
11．1．4　賽題FAQ 176
11．1．5　baseline 方案 176
11．2　探索性數(shù)據(jù)分析 181
11．2．1 數(shù)據(jù)初探 181
11．2．2　單變量分析 184
11．2．3　多變量分析 188
11．3　特征工程 190
11．3．1　歷史平移特征 191
11．3．2　窗口統(tǒng)計特征 192
11．3．3　構造粒度多樣性 193
11．3．4　高效特征選擇 194
11．4　模型選擇 195
11．4．1　LightGBM 模型 196
11．4．2　LSTM 模型 196
11．4．3　Wavenet 模型 198
11．4．4　模型融合 199
11．5　賽題總結 200
11．5．1　更多方案 200
11．5．2　知識點梳理 201
11．5．2　延伸學習 202
第 12 章　計算廣告 204
12．1　什么是計算廣告 204
12．1．1　主要問題 205
12．1．2　計算廣告系統(tǒng)架構 205
12．2　廣告類型 207
12．2．1　合約廣告 207
12．2．2　競價廣告 207
12．2．3　程序化交易廣告 208
12．3　廣告召回 208
12．3．1　廣告召回模塊 208
12．3．2　DSSM 語義召回 210
12．4　廣告排序 211
12．4．1　點擊率預估 211
12．4．2　特征處理 212
12．4．3　常見模型 214
12．5　廣告競價 219
12．6　小結 221
12．7　思考練習 221
第 13 章　實戰(zhàn)案例：2018 騰訊廣告算法大賽——相似人群拓展 222
13．1　賽題理解 222
13．1．1　賽題背景 223
13．1．2　賽題數(shù)據(jù) 224
13．1．3　賽題任務 226
13．1．4　評價指標 226
13．1．5　賽題FAQ 227
13．2　探索性數(shù)據(jù)分析 227
13．2．1　競賽的公開數(shù)據(jù)集 227
13．2．2　訓練集與測試集 227
13．2．3　廣告屬性 229
13．2．4　用戶信息 229
13．2．5　數(shù)據(jù)集特征拼接 230
13．2．6　基本建模思路 232
13．3　特征工程 232
13．3．1　經(jīng)典特征 232
13．3．2　業(yè)務特征 234
13．3．3　文本特征 235
13．3．4　特征降維 237
13．3．5　特征存儲 238
13．4　模型訓練 238
13．4．1　LightGBM 238
13．4．2　CatBoost　 238
13．4．3　XGBoost 239
13．5　模型融合 239
13．5．1　加權融合 239
13．5．2　Stacking 融合 239
13．6　賽題總結 240
13．6．1　更多方案 240
13．6．2　知識點梳理 241
13．6．3　延伸學習 241
第 14 章　實戰(zhàn)案例-TalkingData AdTracking Fraud DetectionChallenge 243
14．1　賽題理解 243
14．1．1　背景介紹 243
14．1．2　賽題數(shù)據(jù) 244
14．1．3　評價指標 244
14．1．4　賽題FAQ 244
14．1．5　baseline 方案 245
14．2　探索性數(shù)據(jù)分析 247
14．2．1 數(shù)據(jù)初探 247
14．2．2　單變量分析 249
14．2．3　多變量分析 254
14．2．4　數(shù)據(jù)分布 255
14．3　特征工程 256
14．3．1　統(tǒng)計特征 256
14．3．2　時間差特征 257
14．3．3　排序特征 258
14．3．4　目標編碼特征 258
14．4　模型選擇 259
14．4．1　LR 模型 259
14．4．2　CatBoost 模型 259
14．4．3　LightGBM 模型 260
14．4．4　DeepFM 模型 261
14．5　賽題總結 264
14．5．1　更多方案 264
14．5．2　知識點梳理 265
14．5．3　延伸學習 266
第 15 章　自然語言處理 268
15．1　自然語言處理的發(fā)展歷程 268
15．2　自然語言處理的常見場景 269
15．2．1　分類、回歸任務 269
15．2．2　信息檢索、文本匹配等任務 269
15．2．3　序列對序列、序列標注 269
15．2．4　機器閱讀 270
15．3　自然語言處理的常見技術 270
15．3．1　基于詞袋模型、TF-IDF．的特征提取 270
15．3．2　N-Gram 模型 271
15．3．3　詞嵌入模型 271
15．3．5　上下文相關預訓練模型 272
15．3．6　常用的深度學習模型結構 274
15．4　練習 276
第 16 章　實戰(zhàn)案例：Quora QuestionPairs 277
16．1　賽題理解 277
16．1．1　賽題背景 277
16．1．2　賽題數(shù)據(jù) 278
16．1．3　賽題任務 278
16．1．4　評價指標 278
16．1．5　賽題FAQ 278
16．2　探索性數(shù)據(jù)分析 279
16．2．1　字段類別含義 279
16．2．2　數(shù)據(jù)集基本量 279
16．2．3　文本的分布 280
16．2．4　詞的數(shù)量與詞云分析 282
16．2．5　基于傳統(tǒng)手段的文本數(shù)據(jù)預處理 284
16．2．6　基于深度學習模型的文本數(shù)據(jù)預處理 284
16．3　特征工程 285
16．3．1　通用文本特征 285
16．3．2　相似度特征 287
16．3．3　詞向量的進一步應用——獨有詞匹配 290
16．3．4　詞向量的進一步應用——詞與詞的兩兩匹配 290
16．3．5　其他相似度計算方式 291
16．4　機器學習模型和模型的訓練 291
16．4．1　TextCNN 模型 291
16．4．2　TextLSTM 模型 292
16．4．3　TextLSTM with Attention 模型 293
16．4．4　Self-Attention 層 295
16．4．5　Transformer 和BERT 類模型 296
16．4．6　基于 representation 和基于 interaction 的深度學習模型的差異 298
16．4．7　一種特殊的基于 interaction 的深度學習模型 303
16．4．8　深度學習文本數(shù)據(jù)的翻譯增強 303
16．4．9　深度學習文本數(shù)據(jù)的預處理 304
16．4．10　BERT 模型的訓練 306
16．5　模型融合 310
16．6　賽題總結 310
16．6．1　更多方案 310
16．6．2　知識點梳理 310
16．6．3　延伸學習 311