---- 20171219更新 ----
浪教授
- 以30天划分训练集，按30天为周期对齐；
- 滑动窗口特征，等差 每 7 天 10 天 等；
- 让预测月份的均值等于前几个月的均值（比赛前期）；
- 强特征：激活日期、loan time、可贷款金额、 pid param组合前20个 one-hot
- 模型融合，加权平均
第17名代码
https://github.com/klyan/JDD_Loan_Forecasting
A榜50，B榜48
京东金融提供8到11月的用户借款信息，订单购买信息，页面点击信息以及用户个人和贷款的初始额度信息；要求预测12月每个用户的贷款信息。评价方式采用RMSE函数：
其中yi真实值，y_hati为预测值，n为用户总数。
赛题链接
数据下载,百度网盘 密码：l94v
- 数据分析
- 区间划分
- 特征提取
- 模型分析
- 模型调参
- 模型融合
在本次比赛中，数据分析比较少，仅仅是用 Jupyter Notebook 简单的画了几个图，没有针对数据情况进行特定的特征提取，基本上是想到什么特征就用什么特征，然后 总和、平均、最大、最小、方差 这几个来一套。这是本次比赛中不足的地方。
赛题中对金额字段进行了加密，但是在竞赛群里，立刻就有大佬给出了加密（$y = {\log _5}(x + 1)$）和脱敏（$y = {5^x} + 1$）方法，我们直接使用该方法，效果提升非常明显。
采用传统的划窗法对数据划分，注意：在划分数据时，一定不能出现数据穿越，即 训练的数据集中用到预测的数据 （如：要预测11月的贷款数据，则在训练数据中不能包含11月的数据信息） 否则会造成线下CV（交叉验证）效果非常好，但是线上糟糕。
本次比赛的划分方式我们尝试了两种方案：
- 方案一：
| 0 | 特征区间（feature） | 预测区间（llabel） |
|---|---|---|
| 训练集 | 2016-08-03到2016-10-31 | 2016-11-01到2016-11-30 |
| 测试集 | 2016-08-03到2016-11-30 | 2016-12-01到2016-12-31 |
- 方案二：
将测试集中的8到11月改成9到11月，即
| 0 | 特征区间（feature） | 预测区间（llabel） |
|---|---|---|
| 训练集 | 2016-08-03到2016-10-31 | 2016-11-01到2016-11-30 |
| 测试集 | 2016-09-01到2016-11-30 | 2016-12-01到2016-12-31 |
在实际测试中我们发现，本次比赛，在相同的特征提取方式下，方案一的结果优于方案二，因此采用方案一。
这就比较多了。。。。
参数说明：
start_month 划分区间的起始月份
end_month 划分区间的结束月份
NUM 结束月份 - 起始月份 + 1，即 期间经过了NUM个月
| 特征名 | 特征含义 |
|---|---|
| delta_time | 结束时间 - 激活时间 （天） |
| start_delta_time | 起始时间 - 激活时间 （天） |
| age，sex，limit | 年龄，性别，初始额度 one-hot编码 |
这个表貌似没什么用，也不知道这里面具体参数是什么含义，所以直接one-hot编码
| 特征名 | 特征含义 |
|---|---|
| uid，param | 点击页面，点击参数 one-hot编码 |
| 特征名 | 特征含义 |
|---|---|
| remain_days | 到下个月的天数 （平均、方差、最大、最小） datetime(2016, end_month+ 1, 1) - parse(x) |
| pass_days | 开始月的天数过去的天数 （平均、方差、最大、最小） parse(x) - dt.datetime(2016, start_month, 1) |
| over | 计划时间是否超出时间 |
| average_loan | 平均每月贷款 |
| loan_month | 区间内贷款额（最大、最小、方差） |
| average_pay | 每月月供（平均、最小、最大） |
| remain_loan | 历史贷款总额 |
| remain_pay | 累计月供 |
| current_loan_sum | 当月月供（总和、最大、最小、平均、方差） |
| current_pay | 当月贷款总额（总和、最大、最小、平均、方差） |
| pay_each | 每一次月供（最大、最小、平均） |
| loan_each | 每一贷款（最大、最小、平均） |
| average_plannum | 平均贷款还款周期 |
参数说明：
per_price：用户购买单价
price_sum：购买总和
discount_ratio：优惠率
| 特征名 | 特征含义 |
|---|---|
| price_sum_mean | 每次购物的平均价格 |
| num_order | 每月购买次数（最大、最小、平均、方差） |
| price_each | 每个用户每次消费（最大、最小、平均、方差） |
| price | 每个用户购物价格（最大、最小、平均、方差） |
| real_price | 每个用户购物折扣后总价（最大、最小、平均、方差） |
| average_discount | 平均折扣 |
| qty_each | 每个用户每次购买（最大、最小、平均、方差） |
| discount_price_ration | 历史折扣力度(平均、方差) |
| no_free_discount_ratio | 每月非免费平均总价格/每月非免费平均折扣后的总价/每月非免费平均折扣力度/每月非免费平均折扣(平均、方差) |
| current_real_price | 每个用户当月的购买物品总价格和(平均、方差) |
| current_price | 当月平均单价（平均、方差） |
| current_no_freeprice | 当月非免费平均单价（平均、方差） |
| current_discount | 当月每次平均折扣（平均、方差） |
| current_discount_ratio | 每次折扣力度（平均、方差） |
| 特征名 | 特征含义 |
|---|---|
| loan_order_ratio | 贷款总额 / 购买总额 |
| diff_order_loan | 购买总额 - 贷款总额 |
| 特征名 | 特征含义 |
|---|---|
| diff_loan | 贷款总额和初始的差 |
一看题目，咋们就很明显的看出这是一个回归问题，那么我们就先选用回归的各种模型来尝试，比如 GBDT、XGB、LR、 Ridge。
随后，我们通过分析数据发现，有相当大的一部分用户没有发生贷款行为，那么是否可以尝试采用先分类再回归呢？分为用户是否会贷款，如果否，直接将贷款值设为0；如果是，那么再用回归模型对用户的贷款行为预测。但是实际情况是，我们的分类模型得到的CV结果准确率仅为85%，加上分类再回归，反而导致了总体评分下降。在做了简单的尝试之后，我们便放弃了这个方法，还是直接使用回归模型。
在这里，我们安利一个非常棒的 自动 特征处理（归一化、放缩）、模型选择、调参、模型融合的工具 TPOT，它是用遗传算法跑的，所以运行速度非常非常慢。在本次比赛中，我们一百多维的特征，9W多行（用户），TPOT参数设置：迭代25次，种群规模40，跑完一次，得到模型结果需要1-2天的时间。
此外，我们主要尝试了XGB和GBDT模型，最终的结果是GBDT要优于XGB，参数如下：
GBDT：
X_train, X_test, y_train, y_test = train_test_split(train_X, train_Y, test_size=0.2, random_state=1)
clf = GradientBoostingRegressor(loss='ls', alpha=0.9,
n_estimators=500,
learning_rate=0.05,
max_depth=8,
subsample=0.8,
max_features=0.6,
min_samples_split=9,
max_leaf_nodes=10)
clf = clf.fit(X_train, y_train)XGB：
{'max_depth': 5, 'eta': 0.05, 'silent': 1, 'eval_metric': 'rmse', 'max_leaf_nodes': 5}在这次比赛中，我们采用了Stacking融合方法，理解不深，只是简单尝试了一下：
gbdt = GradientBoostingRegressor(loss='ls', alpha=0.9,
n_estimators=500,
learning_rate=0.05,
max_depth=8,
subsample=0.8,
min_samples_split=9,
max_leaf_nodes=10)
xgb = XGBRegressor(max_depth=5, n_estimators=500, learning_rate=0.05, silent=False)
lr = LinearRegression()
rfg = RandomForestRegressor(bootstrap=False, max_features=0.05, min_samples_leaf=11, min_samples_split=8,n_estimators=100)
svr_rbf = SVR(kernel='rbf')
stregr = StackingRegressor(regressors=[gbdt, xgb, lr, rfg], meta_regressor=svr_rbf)
stregr.fit(X_train, y_train)
stregr.predict(X_train)但是效果不咋滴。
由于我们用了TPOT这个调参工具，根据它生成的模型，貌似已经加上模型融合，所以我们在这一块没有放上太多的时间。
还有其他几个模型融合方法，比如：blending，加权平均。据师兄介绍，加权平均的融合方法有时候能取得一个非常不错的结果。根据阿里天池O2O比赛第一名的分享，他们就采用了加权的方法O2O-Coupon-Usage-Forecast。
初次比赛，还不懂套路，拿到赛题和数据后，我们没有做数据分析，直接巴拉巴拉暴力提取特征，导致很多特征都没有什么实际用处。另外在数据清洗上也没有进行操作，直接选取了全部数据；在一些缺失值，异常值（比如购买金额，贷款金额为负值）操作上，直接进行填零。不知道是否因为这些原因导致结果比较差。另外，在比赛初期，我们新增特征时，对结果有较大提高，特别是一些强特征（GBDT特征重要性排序），但在比赛后期，新增特征后，对结果几乎没有提高，有时甚至下降了。在本次比赛中，没有找到什么骚操作，也没有发掘出某个神奇的东西，对结果有大幅提高。但是，TPOT是个不错的东西，在特征确定的情况下，通过该工具，对模型调整有着突出的效果，缺点是运行速度太慢。过段时间，看看各位大佬的分享，再好好总结总结。
如何在 Kaggle 首战中进入前 10%
第一次参加Kaggle拿银总结
[天池竞赛系列]O2O优惠券使用预测复赛第三名思路
O2O第一名【诗人都藏在水底】代码 思路
O2O第十六名代码 思路