自行车需求预测

1. 问题

今天来看一个回归问题——Kaggle竞赛Bike Sharing Demand，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：

// train
datetime,season,holiday,workingday,weather,temp,atemp,humidity,windspeed,casual,registered,count
2011-01-01 00:00:00,1,0,0,1,9.84,14.395,81,0,3,13,16
2011-01-01 01:00:00,1,0,0,1,9.02,13.635,80,0,8,32,40

// test
datetime,season,holiday,workingday,weather,temp,atemp,humidity,windspeed
2011-01-20 00:00:00,1,0,1,1,10.66,11.365,56,26.0027
2011-01-20 01:00:00,1,0,1,1,10.66,13.635,56,

观察上面的数据，咱们能够发现：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就是一个偏差函数。

2. 分析

特征工程

日期时间放在一个string字段里，咱们须要解析出年、月、weekday、小时等，之因此没有选择天作特征，是由于weekday更具备周期性、表明性。

import pandas as pd

train = 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，咱们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')

选用的特征以下：

features = ['season', 'holiday', 'workingday', 'weather', 'temp', 'atemp', 'humidity',
            'windspeed', 'time', 'weekday', 'year']

之因此丢掉了month特征，是由于发现有过拟合。

回归

选用GBM来作回归，参数是经过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 setting
print(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，那么咱们能够把这二者看作类别，分别用GBM进行预测，而后相加后获得结果。结果的确将RMSLE下降到了0.41983。

前面只用到了一种回归方法，那能不能将GBM与RF的结果合到一块儿呢？答案是能够的，经过赋权值0.5（即平均ensemble）的方式将两个结果组合起来，RMSLE下降到了0.37022。评价指标结果对好比下：

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，三个臭皮匠胜过诸葛亮。

3. 参考资料

[1] 阿波, kaggle上的自行车出租数量预测.
[2] Damien RJ, Forecasting Bike Sharing Demand.