Kaggle系列- Russia房產價格預測top1%(22/3270)方案總結

一起加入這次沉浸式學習吧,本次分享的方案基本上包好了結構化數據比賽的基本流程：數據分析、數據預處理，特徵工程、模型訓練以及模型融合，大家可以留在週末學習一波。

比賽名稱:Sberbank Russian Housing Market
比賽鏈接：https://www.kaggle.com/c/sberbank-russian-housing-market

競賽背景

住房成本需要消費者和開發商的大量投資。 在規劃預算時（無論是個人預算還是公司預算），任何一方不到最後就是不確定其中哪一項是最大開支。 俄羅斯最早、最大的銀行Sberbank通過預測房地產價格來幫助客戶預測預算，因此租戶，開發商和貸方在簽訂租約或購買建築物時更加相互信任。

儘管俄羅斯的住房市場相對穩定，但該國動盪的經濟形勢使得根據公寓價格預測成爲一項獨特的挑戰。 房屋數量（如臥室數量和位置）之間複雜的相互關係足以使價格預測變得複雜。 加上不穩定的經濟因素，意味着Sberbank及其客戶需要的不僅僅是其機器學習庫中的簡單迴歸模型。

在這場競賽中，Sberbank向Kagglers提出挑戰，要求他們開發使用多種特徵來預測房地產價格的算法。 競爭對手將依靠豐富的數據集，其中包括住房數據和宏觀經濟模式。 準確的預測模型將使Sberbank在不確定的經濟環境中爲其客戶提供更多的確定性。

賽題解析

這種競賽目的是預測每一處房產的銷售價格。目標變量在train.csv中稱爲price_doc。訓練數據爲2011年8月至2015年6月，測試集爲2015年7月至2016年5月。該數據集還包括俄羅斯經濟和金融部門的總體狀況信息，因此您可以專注於爲每個房產生成準確的價格預測，而無需猜測商業週期將如何變化。

競賽數據

• train.csv，test.csv：有關單個交易的信息。 這些行由“ id”字段索引，該字段引用單個事務（特定屬性在單獨的事務中可能出現多次）。 這些文件還包括有關每個屬性的本地區域的補充信息。
• macro.csv：有關俄羅斯宏觀經濟和金融部門的數據（可以根據“時間戳”與訓練集和測試集合並）
• data_dictionary.txt：其他數據文件中可用字段的說明
• sample_submission.csv：格式正確的示例提交文件
  其中字段比較多，我們可以通過data_dictionary文件可以發現至少有200+個字段，所以本次比賽的數據還是比較豐富，比較客觀，同時也具有研究價值。

數據分析

來源：https://www.kaggle.com/sudalairajkumar/simple-exploration-notebook-sberbank

• 房產價格分佈
  我們將價格按照從小到大排序，畫出如下每處房產價格分佈：

plt.figure(figsize=(8,6))
plt.scatter(range(train_df.shape[0]), np.sort(train_df.price_doc.values))
plt.xlabel('index', fontsize=12)
plt.ylabel('price', fontsize=12)
plt.show()

• 房產價格隨着時間變化趨勢

train_df['yearmonth'] = train_df['timestamp'].apply(lambda x: x[:4]+x[5:7])
grouped_df = train_df.groupby('yearmonth')['price_doc'].aggregate(np.median).reset_index()

plt.figure(figsize=(12,8))
sns.barplot(grouped_df.yearmonth.values, grouped_df.price_doc.values, alpha=0.8, color=color[2])
plt.ylabel('Median Price', fontsize=12)
plt.xlabel('Year Month', fontsize=12)
plt.xticks(rotation='vertical')
plt.show()

• 特徵重要性較高的特徵
  因爲有292個變量，讓我們構建一個基本的xgboost模型，然後先研究重要的變量。

for f in train_df.columns:
    if train_df[f].dtype=='object':
        lbl = preprocessing.LabelEncoder()
        lbl.fit(list(train_df[f].values)) 
        train_df[f] = lbl.transform(list(train_df[f].values))
        
train_y = train_df.price_doc.values
train_X = train_df.drop(["id", "timestamp", "price_doc"], axis=1)

xgb_params = {
    'eta': 0.05,
    'max_depth': 8,
    'subsample': 0.7,
    'colsample_bytree': 0.7,
    'objective': 'reg:linear',
    'eval_metric': 'rmse',
    'silent': 1
}
dtrain = xgb.DMatrix(train_X, train_y, feature_names=train_X.columns.values)
model = xgb.train(dict(xgb_params, silent=0), dtrain, num_boost_round=100)

# plot the important features #
fig, ax = plt.subplots(figsize=(12,18))
xgb.plot_importance(model, max_num_features=50, height=0.8, ax=ax)
plt.show()

因此，數據特徵中的重要性前5個變量及其描述爲：

full_sq-以平方米爲單位的總面積，包括涼廊，陽臺和其他非住宅區
life_sq-居住面積（平方米），不包括涼廊，陽臺和其他非居住區
floor-對於房屋，建築物的當前層數
max_floor-建築物中的總樓層數
build_year-建造年份

full_seq與房產價格的分佈

ulimit = np.percentile(train_df.price_doc.values, 99.5)
llimit = np.percentile(train_df.price_doc.values, 0.5)
train_df['price_doc'].ix[train_df['price_doc']>ulimit] = ulimit
train_df['price_doc'].ix[train_df['price_doc']<llimit] = llimit

col = "full_sq"
ulimit = np.percentile(train_df[col].values, 99.5)
llimit = np.percentile(train_df[col].values, 0.5)
train_df[col].ix[train_df[col]>ulimit] = ulimit
train_df[col].ix[train_df[col]<llimit] = llimit

plt.figure(figsize=(12,12))
sns.jointplot(x=np.log1p(train_df.full_sq.values), y=np.log1p(train_df.price_doc.values), size=10)
plt.ylabel('Log of Price', fontsize=12)
plt.xlabel('Log of Total area in square metre', fontsize=12)
plt.show()

life_sq與房產價格分佈

col = "life_sq"
train_df[col].fillna(0, inplace=True)
ulimit = np.percentile(train_df[col].values, 95)
llimit = np.percentile(train_df[col].values, 5)
train_df[col].ix[train_df[col]>ulimit] = ulimit
train_df[col].ix[train_df[col]<llimit] = llimit

plt.figure(figsize=(12,12))
sns.jointplot(x=np.log1p(train_df.life_sq.values), y=np.log1p(train_df.price_doc.values), 
              kind='kde', size=10)
plt.ylabel('Log of Price', fontsize=12)
plt.xlabel('Log of living area in square metre', fontsize=12)
plt.show()

樓層與房產價格中位數分佈

grouped_df = train_df.groupby('floor')['price_doc'].aggregate(np.median).reset_index()
plt.figure(figsize=(12,8))
sns.pointplot(grouped_df.floor.values, grouped_df.price_doc.values, alpha=0.8, color=color[2])
plt.ylabel('Median Price', fontsize=12)
plt.xlabel('Floor number', fontsize=12)
plt.xticks(rotation='vertical')
plt.show()

Top 1% 代碼分享

代碼鏈接：https://github.com/LenzDu/Kaggle-Competition-Sberbank

• Data.py: 數據清洗以及特徵工程
• Exploration.py: 數據分析
• Model.py: XGBoost模型
• BaseModel.py: 基線模型：RandomForestRegressor、GradientBoostingRegressor、Lasso等
• lightGBM.py: lightGBM模型
• Stacking.py: model stacking (final model)：模型融合

因爲代碼比較清晰簡潔，非常適合數據挖掘的新手解讀學習，其中作者寫的Stacking也是非常漂亮，我們可以感受下：

Stacking是通過一個元分類器或者元迴歸器整合多個模型的集成學習技術。基礎模型利用整個訓練集做訓練，元模型利用基礎模型做特徵進行訓練。一般Stacking多使用不同類型的基礎模型

import numpy as np
import pandas as pd
from sklearn.model_selection import ShuffleSplit, cross_val_score
from sklearn.cross_validation import KFold
from sklearn.ensemble import AdaBoostRegressor, RandomForestRegressor, ExtraTreesRegressor, GradientBoostingRegressor
from sklearn.neural_network import MLPRegressor
from sklearn.preprocessing import Imputer
from sklearn.tree import DecisionTreeRegressor
from sklearn.linear_model import LinearRegression
import xgboost as xgb
import lightgbm as lgb
from sklearn.preprocessing import StandardScaler

# 封裝一下lightgbm讓其可以在stacking裏面被調用
class LGBregressor(object):
    def __init__(self,params):
        self.params = params

    def fit(self, X, y, w):
        y /= 10000000
        # self.scaler = StandardScaler().fit(y)
        # y = self.scaler.transform(y)
        split = int(X.shape[0] * 0.8)
        indices = np.random.permutation(X.shape[0])
        train_id, test_id = indices[:split], indices[split:]
        x_train, y_train, w_train, x_valid, y_valid,  w_valid = X[train_id], y[train_id], w[train_id], X[test_id], y[test_id], w[test_id],
        d_train = lgb.Dataset(x_train, y_train, weight=w_train)
        d_valid = lgb.Dataset(x_valid, y_valid, weight=w_valid)
        partial_bst = lgb.train(self.params, d_train, 10000, valid_sets=d_valid, early_stopping_rounds=50)
        num_round = partial_bst.best_iteration
        d_all = lgb.Dataset(X, label = y, weight=w)
        self.bst = lgb.train(self.params, d_all, num_round)

    def predict(self, X):
        return self.bst.predict(X) * 10000000
        # return self.scaler.inverse_transform(self.bst.predict(X))

# 封裝一下xgboost讓其可以在stacking裏面被調用
class XGBregressor(object):
    def __init__(self, params):
        self.params = params

    def fit(self, X, y, w=None):
        if w==None:
            w = np.ones(X.shape[0])
        split = int(X.shape[0] * 0.8)
        indices = np.random.permutation(X.shape[0])
        train_id, test_id = indices[:split], indices[split:]
        x_train, y_train, w_train, x_valid, y_valid,  w_valid = X[train_id], y[train_id], w[train_id], X[test_id], y[test_id], w[test_id],
        d_train = xgb.DMatrix(x_train, label=y_train, weight=w_train)
        d_valid = xgb.DMatrix(x_valid, label=y_valid, weight=w_valid)
        watchlist = [(d_train, 'train'), (d_valid, 'valid')]
        partial_bst = xgb.train(self.params, d_train, 10000, early_stopping_rounds=50, evals = watchlist, verbose_eval=100)
        num_round = partial_bst.best_iteration
        d_all = xgb.DMatrix(X, label = y, weight=w)
        self.bst = xgb.train(self.params, d_all, num_round)

    def predict(self, X):
        test = xgb.DMatrix(X)
        return self.bst.predict(test)

# This object modified from Wille on https://dnc1994.com/2016/05/rank-10-percent-in-first-kaggle-competition-en/
class Ensemble(object):
    def __init__(self, n_folds, stacker, base_models):
        self.n_folds = n_folds
        self.stacker = stacker
        self.base_models = base_models

    def fit_predict(self, trainDf, testDf):
        X = trainDf.drop(['price_doc', 'w'], 1).values
        y = trainDf['price_doc'].values
        w = trainDf['w'].values
        T = testDf.values

        X_fillna = trainDf.drop(['price_doc', 'w'], 1).fillna(-999).values
        T_fillna = testDf.fillna(-999).values

        folds = list(KFold(len(y), n_folds=self.n_folds, shuffle=True))
        S_train = np.zeros((X.shape[0], len(self.base_models)))
        S_test = np.zeros((T.shape[0], len(self.base_models)))
        for i, clf in enumerate(self.base_models):
            print('Training base model ' + str(i+1) + '...')
            S_test_i = np.zeros((T.shape[0], len(folds)))
            for j, (train_idx, test_idx) in enumerate(folds):
                print('Training round ' + str(j+1) + '...')
                if clf not in [xgb1,lgb1]: # sklearn models cannot handle missing values.
                    X = X_fillna
                    T = T_fillna
                X_train = X[train_idx]
                y_train = y[train_idx]
                w_train = w[train_idx]
                X_holdout = X[test_idx]
                # w_holdout = w[test_idx]
                # y_holdout = y[test_idx]
                clf.fit(X_train, y_train, w_train)
                y_pred = clf.predict(X_holdout)
                S_train[test_idx, i] = y_pred
                S_test_i[:, j] = clf.predict(T)
            S_test[:, i] = S_test_i.mean(1)
        self.S_train, self.S_test, self.y = S_train, S_test, y  # for diagnosis purpose
        self.corr = pd.concat([pd.DataFrame(S_train),trainDf['price_doc']],1).corr() # correlation of predictions by different models.
        # cv_stack = ShuffleSplit(n_splits=6, test_size=0.2)
        # score_stacking = cross_val_score(self.stacker, S_train, y, cv=cv_stack, n_jobs=1, scoring='neg_mean_squared_error')
        # print(np.sqrt(-score_stacking.mean())) # CV result of stacking
        self.stacker.fit(S_train, y)
        y_pred = self.stacker.predict(S_test)
        return y_pred

if __name__ == "__main__":
    trainDf = pd.read_csv('train_featured.csv')
    testDf = pd.read_csv('test_featured.csv')

    params1 = {'eta':0.05, 'max_depth':5, 'subsample':0.8, 'colsample_bytree':0.8, 'min_child_weight':1,
              'gamma':0, 'silent':1, 'objective':'reg:linear', 'eval_metric':'rmse'}
    xgb1 = XGBregressor(params1)
    params2 = {'booster':'gblinear', 'alpha':0,# for gblinear, delete this line if change back to gbtree
               'eta':0.1, 'max_depth':2, 'subsample':1, 'colsample_bytree':1, 'min_child_weight':1,
              'gamma':0, 'silent':1, 'objective':'reg:linear', 'eval_metric':'rmse'}
    xgb2 = XGBregressor(params2)
    RF = RandomForestRegressor(n_estimators=500, max_features=0.2)
    ETR = ExtraTreesRegressor(n_estimators=500, max_features=0.3, max_depth=None)
    Ada = AdaBoostRegressor(DecisionTreeRegressor(max_depth=15),n_estimators=200)
    GBR = GradientBoostingRegressor(n_estimators=200,max_depth=5,max_features=0.5)
    LR =LinearRegression()

    params_lgb = {'objective':'regression','metric':'rmse',
              'learning_rate':0.05,'max_depth':-1,'sub_feature':0.7,'sub_row':1,
              'num_leaves':15,'min_data':30,'max_bin':20,
              'bagging_fraction':0.9,'bagging_freq':40,'verbosity':0}
    lgb1 = LGBregressor(params_lgb)

    E = Ensemble(5, xgb2, [xgb1,lgb1,RF,ETR,Ada,GBR])
    prediction = E.fit_predict(trainDf, testDf)
    output = pd.read_csv('test.csv')
    output = output[['id']]
    output['price_doc'] = prediction
    output.to_csv(r'Ensemble\Submission_Stack.csv',index=False)

我們還可以學習到什麼

一般每個比賽的discussion部分，我們可以看到前排方案的討論交流，感覺讀了他們分享的總結以及簡介比代碼獲得收益更大

鏈接爲：https://www.kaggle.com/c/sberbank-russian-housing-market/discussion/35684

從第一名分享的方案中，對我收益比較大的是：

• 沒有對目標變量直接預測，而是對單位平方米的價格進行預測，之後轉化
• 嘗試很多的獨立模型，這裏指的是因爲他們發現有兩個變量放在一塊導致模型差異很大（Investment 和OwnerOccupier），然後將兩個變量置於兩組不同的特徵輸入給模型
• 去除異常值，單獨訓練模型

更多資料可以閱讀：https://www.one-tab.com/page/Yv_JbxErRU6yE3oa7MsgnQ