赛题参见 - 赛题详情

• 使用2016年6月以前的农产品价格数据预测7月的农产品价格

• 复赛第2，我们就是xjboost队。。。

• gen.py
  • 生成特征
• model.py
  • 各个单模型
• model_stacking.py
  • stacking

代码就将就看吧。。 具体的数据集太大就没传上来

• 训练集

  • 选择了2016年6月1日往后30天+2016年5月25日往后一个月的全部数据作为训练集

• 测试集

  • 线上测试集为2016年7月

• 特征

  • 窗口统计特征（前1，2，3，4，7，14，21，30，60天）
    • 6月1日（5月25日）的前x天农产品价格的平均值
    • 6月1日（5月25日）的前x天农产品价格的最小值
    • 6月1日（5月25日）的前x天农产品价格的标准差
    • 考虑有部分数据缺失，对每个农产品，我们将数据先按照时间排序，然后加上了
      • 6月1日（5月25日）的前x个非缺失的价格的平均值
      • 6月1日（5月25日）的前x个非缺失的价格的最小值
      • 6月1日（5月25日）的前x个非缺失的价格的标准差
      • 6月1日（5月25日）的前x天有几天价格有缺失（缺失率）
  • 日期特征 （没怎么用）
    • 一个月的第x天
    • 一周的第x天
    • 一年的第x天
  • 农产品的特征
    • 6月1日（5月25日）距离该农产品第一次有价格记录过去了x天
    • 6月1日（5月25日）距离该农产品最后一次有价格记录过去了x天
    • 所有数据中该农产品最后一次出现的价格

• 算法说明

  • 一些简单的规则

    • 如提交最后一次的价格线上评分就能达到 0.06088

  • 直接使用模型的训练效果仅为0.12左右还不如简单的规则

  • 考虑到评价标准是MPSE，我们首先对label进行 log transformation 即$y\prime = log(x+1)$，预测后再使用$y^{predict} = exp(y\prime) - 1$变换回来

    • 但是效果提升不大

  • 考虑大部分回归模型的目标函数都是MSE的，label较大的对于误差的影响显然更大一些；而本题的评价函数是MPSE，label较小的更容易带来误差

    • 于是我们对训练样本设置了权重，$weight_i = \frac{1.0}{y^_iy^*_i}$，线上效果明显提升(0.05)

  • 模型融合

    • 我们将LinearRegression、Xgboost、RandomForest的结果进行加权融合
      • 有一定的提升(0.047)

  • 简单的规则

    • 有部分农产品的价格非常稳定（波动非常小），我们就直接选取其最后一次非缺失的平均价格作为7月每一天的价格作为预测结果
      • 同样也有一些提升(0.045)