拖了半年了。。 回来更新一波

赛题详见 天池-菜鸟需求预测与分仓规划

• 最终第二赛季线上成绩第10

• 数据集
  • 总共140W条需要预测的数据，其中20W是全国的，另外6个分仓各有20W
  • 要预测的是 2015.12.28～2016.01.10的销量
• 数据预处理
  • 我们只是简单的去掉了11.11与12.12一整天的数据，然后将之前的日期往前平移
• 训练集
  • 线上选取的是2015.12.14～2016.12.27日作为训练样本，线下以其作为验证集，选取2015.11.30~2015.12.13作为线下训练集
• 特征
  • 窗口特征 （ 前 1、2、3、4、7、14、21、28）
    • 根据商品、叶子类目、大类目、品牌、供应商进行分组，提取前X天的非聚划算支付人次、浏览数、加购数的平均值、最小值、标准差作为特征
  • 商品特征
    • 商品最早出现历史数据的日期距离要预测的那一周的天数
    • 商品最后一次出现历史数据的日期距离要预测的那一周的天数
    • 商品的折扣率（成交价格 / 拍下价格）
    • 商品的平均成交价格
  • 特征缺失值全部填**-1**（填-1的效果比填0好）
  • 受限于自己实现的GBRT的速度，最后通过一些简单的特征选择方法及人工选择，特征只剩下了150维左右
• 模型

  • 评价函数

    • 函数
      • +B_iMAX(T_i-D_i,0)] )
      • 对于每个样本来说，补高和补低的成本是不一样的
    • Quantile Regression
      • https://en.wikipedia.org/wiki/Quantile_regression
      • scikit-learn中的GradientBoostingRegression中支持 loss = 'quantile' ， 具体的loss function可以简单看做是在 lad loss（MAE）的基础上，对于补高和补低分开计算loss，使用一个参数  调整补高补低的比例。
      • } + (1-\alpha)|y^*-p|{(y^*<p)} )

  • 针对赛题结合Quantile Regression提出的模型

    • 简单变形
      • *[A_i/(A_i+B_i)*MAX(D_i-T_i,0)+B_i / (A_i+B_i)*MAX(T_i-D_i,0)] )
      • 于是，可以将 看作是样本权重， 剩下的部分直接就是quantile loss
      • 然后我们对每个商品的 ) 做了简单的统计，然后按这个值将所有样本划分为10个区间，每个区间14W个样本（其实就是近似认为同一个区间内的所有样本在quantile loss 中的 参数一样）
    • 最终单模型
      • 对10个模型分别训练预测，简单的调节 参数，即可得到一个很不错的结果。
    • 后续融合
      • 我们最终只使用了GBRT一个模型，调整了其深度，学习率，行采样、列采样率进行平均融合。
      • 分仓数据（0.3）和全国数据（0.7）加权融合

  • 关于模型

    • 在这次比赛中我参考了scikit-learn的源码实现了比较简单的Java的Decision Tree 及 GradientBoostingTree
    • 很明显MapReduce下难以实现并行的GBRT，因此我们最后的结果就是10个模型并行在10个reducer上

  • 后续提升idea

    • 对label进行log变换
    • 对新商品使用规则
    • 使用我在广东机场大赛中实现的随机森林
    • 增加特征、增加训练集。。。。