Kaggle比赛-Otto Group Product Classification

机器学习

简介

Otto Group Product Classification Challenge是Kaggle上目前正在进行的一个比赛，目前已1000+队伍参赛，由Otto公司赞助1W美刀，数据也是来自于该公司的产品，提供了train.csv、test.csv、samplesubmission.csv三份数据。train.csv里包含了6万多个样本，每个样本有一个id，93个特征值feat_1~feat_93,以及类别target，一共9种类别：class_1~class_9。test.csv里有14万多测试样本，只有id以及93个特征，参赛者的任务是对这些样本分类。

提交结果的格式

官网上给出的格式：

1
2
3
id,Class_1,Class_2,Class_3,Class_4,Class_5,Class_6,Class_7,Class_8,Class_9
		1,0.0,0.0,0.0,0.0,1.0,0.0,0.0,0.0,0.0
		2,0.0,0.2,0.3,0.3,0.0,0.0,0.1,0.1,0.0

也就是说，可以不用给出确切的类别，给出属于各个类别的概率也行。这一点很重要，我一开始没注意看，浪费了许多精力瞎折腾。所以但凡比赛，官网给出的信息最好都仔细看一遍。

评分标准

评分的公式见：这里

我稍微解释一下这条公式，i表示样本，j表示类别。Pij代表第i个样本属于类别j的概率，如果第i个样本真的属于类别j，则yij等于1，否则为0。

假如你将所有的测试样本都正确分类，所有pij都是1，那每个log(pij)都是0，最终的logloss也是0。

假如第1个样本本来是属于1类别的，但是你给它的类别概率pij=0.1，那logloss就会累加上log(0.1)这一项。我们知道这一项是负数，而且pij越小，负得越多，如果pij=0，将是无穷。这会导致这种情况：你分错了一个，logloss就是无穷。这当然不合理，为了避免这一情况，官方是这样处理的：

也就是说最小不会小于10^-15。

开始解题

废话终于说完，进入主题。下面讲一个很naive的solution，基本上不用动脑，只要会简单地使用sklearn、numpy，就能打败目前一半的参赛队伍。

代码放在我的github上wepe/Kaggle-Solution，分几部分来讲：

数据预处理

严格来说，我并没有做多少数据预处理的工作。只是一些加载数据的函数，分别是
loadTrainSet()和loadTestSet(),加载训练数据集和测试数据集。代码如下，里面顺便做了归一化以及零均值(这里不做standardize差别也不大)。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
#load train set
def loadTrainSet():
	traindata = []
	trainlabel = []
	table = {"Class_1":1,"Class_2":2,"Class_3":3,"Class_4":4,"Class_5":5,"Class_6":6,"Class_7":7,"Class_8":8,"Class_9":9}
	with open("train.csv") as f:
		rows = csv.reader(f)
		rows.next()
		for row in rows:
			l = []
			for i in range(1,94):
				l.append(int(row[i]))
			traindata.append(l)
			trainlabel.append(table.get(row[-1]))
	f.close()

	traindata = np.array(traindata,dtype="float")
	trainlabel = np.array(trainlabel,dtype="int")
	#Standardize(zero-mean,nomalization)
	mean = traindata.mean(axis=0)
	std = traindata.std(axis=0)
	traindata = (traindata - mean)/std
	
	#shuffle the data
	randomIndex = [i for i in xrange(len(trainlabel))]
	random.shuffle(randomIndex)
	traindata = traindata[randomIndex]
	trainlabel = trainlabel[randomIndex]
	return traindata,trainlabel

#load test set
def loadTestSet():
	testdata = []
	with open("test.csv") as f:
		rows = csv.reader(f)
		rows.next()
		for row in rows:
			l = []
			for i in range(1,94):
				l.append(int(row[i]))
			testdata.append(l)
	f.close()
	testdata = np.array(testdata,dtype="float")
	#Standardize(zero-mean,nomalization)
	mean = testdata.mean(axis=0)
	std = testdata.std(axis=0)
	testdata = (testdata - mean)/std
	return testdata

代码挺长的，但其实都是些简单的读取和处理工作。（如果不想写这么繁琐的代码，可以试试数据分析包pandas，几行代码完成这些工作）。

模型评估

模型评估一般都是从训练数据集中分出一部分来做validation，一般我们是用validation accuracy来评估的（如上所述），但是这个比赛既然官方给出了评估公式，我们就根据这个公式写个评估函数：

1
2
3
4
5
6
7
8
9
10
#Evaluation function
#Refer to:https://www.kaggle.com/c/otto-group-product-classification-challenge/details/evaluation
def evaluation(label,pred_label):
	num = len(label)
	logloss = 0.0
	for i in range(num):
		p = max(min(pred_label[i][label[i]-1],1-10**(-15)),10**(-15))
		logloss += np.log(p)
	logloss = -1*logloss/num
	return logloss

以上三个函数loadTrainSet()、loadTestSet()、evaluation()我都放在代码文件preprocess.py中，此外在该文件中还定义了一个saveResult()函数，根据test set的预测类别test_label生成一个用于提交结果的submission.csv文件。

分类算法

直接调用sklearn里面的随机森林，参数调节：随便调了几次决策树的数目，可以使logloss达到0.5左右，这个得分目前已经打败了一半的参赛队伍。

1
2
3
4
5
6
7
8
9
10
11
12
def rf(train_data,train_label,val_data,val_label,test_data,name="RandomForest_submission.csv"):
	print "Start training Random forest..."
	rfClf = RandomForestClassifier(n_estimators=400,n_jobs=-1)
	rfClf.fit(train_data,train_label)
	#evaluate on validation set
	val_pred_label = rfClf.predict_proba(val_data)
	logloss = preprocess.evaluation(val_label,val_pred_label)
	print "logloss of validation set:",logloss

	print "Start classify test set..."
	test_label = rfClf.predict_proba(test_data)
	preprocess.saveResult(test_label,filename = name)

这个函数的参数val_data就是验证集数据，从train.csv里面取出6000个构成，大约占1/10的数据。

这部分的代码放在文件RandomForest.py中。

有兴趣的去我github获取代码试试吧。Have Fun！