阿里天池大數(shù)據(jù)競賽實戰(zhàn)

1、阿里天池大數(shù)據(jù)競賽實戰(zhàn)：RF&GBRT 完成過程1、Xlab GBRT上手微信公眾號ID： datadw 進入領取資料。1.1、訓練特征表準備訓練的特征表gbrt_offline_section_one_24格式為：user_id,brand_id,feature1,feature2.Label      見下圖：1.2 、建立特征稀疏表，為訓練做準備特征稀疏表可直接在Xlab由原始特征表轉換得到，截圖如下：進入普通表轉稀疏矩陣界面后，在選擇列里填上： user_id對應的列號（表默認從0列開始），brand_id對應的列號，以及想要使用的眾多特征對應的列

2、號（不需要填寫標簽對應的列號?。?；然后在輸出表里填上轉換成的稀疏矩陣：gbrt_offline_section_one_24_1;如下圖1.3 、GBRT訓練       利用訓練的特征表gbrt_offline_section_one_24，進行GBRT訓練，如下圖所以進入配置界面，勾選訓練的標簽，稀疏矩陣名處輸入剛才轉好的稀疏矩陣gbrt_offline_section_one_24_1，模型輸出表處填寫模型輸出表名，參數(shù)配置處根據(jù)效果進行配置（最開始默認就可以的）。如下圖所示：配置好只好就可以進行訓練了，等待訓練好之后等到GBRT預測模型：gbrt

3、_offline_section_one_25；1.4、GBRT預測特征表準備訓練的特征表gbrt_offline_section_two_11格式與訓練特征表格式一樣，為：user_id, brand_id, feature1, feature2.Label      見下圖：1.5、建立預測稀疏矩陣表特征稀疏表可直接在Xlab由原始特征表轉換得到，方法和原來一樣，直接截圖如下：需要注意的是，選擇列必須和訓練時候一樣！1.6、GBRT預測利用轉好的預測稀疏矩陣表gbrt_offline_section_two_11_1進行預測，如下圖所示進入界面如下：model

4、 處填寫剛才訓練好的GBRT模型表：gbrt_offline_section_one_25；輸出表名處填寫預測結果輸出表 gbrt_offline_section_two_13，然后進行預測，如下圖所示：1.7、GBRT碎碎念GBRT預測好之后，得到的結果為與原始預測表gbrt_offline_section_two_11一一對應的單列值y_var(搞不懂為什么不提供類似RF那樣預測結果追加user_id,brand_id 列)，如下圖：所以，還得進行追加ID列，進行zxs_gbrt_offline_section_two_13_1和zxs_gbrt_offline_section_

5、two_11_1兩張表的合并，得到類似user_id,brand_id,y_val的表，取閾值進行推薦就可以了，下圖為xlab里提供的腳本，追加ID列代碼。另外：附上腳本實現(xiàn)的代碼，方便測試：2、Xlab RF上手2.1、訓練特征表準備訓練的特征表gbrt_offline_section_one_24格式為：user_id,brand_id,feature1,feature2.Label    （和GBRT時候是一樣的），見下圖所示：                    &

6、#160;      2.2、RF訓練利用訓練的特征表gbrt_offline_section_one_24，進行RF訓練，如下圖所以                          進入配置界面，在Features 框里勾選訓練特征以及該特征連續(xù)與否，在Class框里目標處選擇標簽列，模型輸出表處填寫輸出模型表名：gbrt_offline_section_one_25；進一步，點擊參數(shù)配置選項卡，進入?yún)?shù)配置界面，進行參數(shù)

7、配置，我們主要配置了樹的棵樹，配置好后，進行訓練，如下圖所示：                                                                       訓練結束，得到RF模型表g

8、brt_offline_section_one_25。2.3、RF預測利用預測特征表gbrt_offline_section_two_11進行RF預測，如下圖所示：                      進入配置界面：在結果附加列中添加user_id ,brand_id 列，勾選目標列2分類，主分類為1，這樣預測結果表中就會給出預測為1 的概率值，輸出信息處填寫預測輸出表，進行預測，如下圖：