内容简介:数据中的特征名及其对应描述:
ebay在线拍卖数据
ebay在线拍卖数据
的数据集下载地址为 Ebay Data Set
raw.tar.gz
中包括 TrainingSet.csv
, TestSet.csv
, TrainingSubset.csv
和 TestSubset.csv
四个数据文件,下表列出了这四个文件的内容简介
数据名 | 数据描述 |
---|---|
TrainingSet | 2013年4月的所有拍卖 |
TestSet | 2013年5月第一个周的所有拍卖 |
TrainingSubset | 2013年4月成功交易的所有拍卖 |
TestSubset | 2013年5月第一周成功交易的所有拍卖 |
数据中的特征名及其对应描述:
特征名 | 特征描述 |
---|---|
Prices | 最终交易金额 |
StartingBid | 拍卖的最低交易金额 |
BidCount | 此项拍卖获得的投标数 |
Title | 交易标题 |
QuantitySold | 成功销售的数量(0或1表示) |
SellerRating | 卖家在ebay上的评级 |
StartDate | 拍卖开始的日期 |
EndDate | 拍卖结束的日期 |
PositiveFeedbackPercent | 卖家收到的正反馈百分比(占所有反馈) |
HasPicture | 是否有实物图(0或1) |
MemberSince | 卖家创建其在ebay上的账户日期 |
HasStore | 卖家是否有ebay店铺(0或1) |
SellerCountry | 卖家所在的国家 |
BuyitNowPrice | 立即购买该商品的价格 |
HighBidderFeedbackRating | 出价最高的投标者的ebay评级 |
ReturnsAccepted | 是否接受退货(0或1表示) |
HasFreeShipping | 是否包邮(0或1表示) |
IsHOF | 卖家中是否是名人堂中的玩家(0或1表示) |
IsAuthenticated | 是否受到工会的认证(0或1表示) |
HasInscription | 拍卖项目是否有登记过(0或1表示) |
AvgPrice | 库存中关于这款商品的平均价格 |
MedianPrice | 库存中这款商品价格的中位数 |
AuctionCount | 库存中拍卖的总数 |
SellerSaleToAveragePriceRatio | 这项拍卖商品的价格占平均价格的比例 |
StateDayOfWeek | 拍卖开始时是周几 |
EndDayOfWeek | 拍卖结束时是周几 |
AuctionDuration | 拍卖持续的天数 |
StartingBidPercent | 该商品投标底线占平均交易价格的比例 |
SellerClosePercent | 一个卖家成功交易的拍卖数占所有在线拍卖数的比例 |
ItemAuctionSellPercent | 成功交易的拍卖数占所有在线拍卖数的比例 |
数据导入及可视化
实验用的环境是Jupyter Python3.6
首先导入相关的包:
import pandas as pd import numpy as np import seaborn as sns import matplotlib.pyplot as plt %matplotlib inline
读入数据:
test_set = pd.read_csv("Data/TestSet.csv") train_set = pd.read_csv("Data/TrainingSet.csv") test_subset = pd.read_csv("Data/TestSubset.csv") train_subset = pd.read_csv("Data/TrainingSubset.csv")
输出查看train_set的数据:
train_set.info() # Output train_set data
也可以使用 head()
查看前5条数据
train_set.head()
第一列属性 EbayID
为每条拍卖纪录的ID号,与预测拍卖是否成功没有联系,因此在模型训练时应该将该特征去除。 QuantitySold
属性为1代表拍卖成功,为0代表拍卖失败,其中 SellerName
拍卖卖方的名字与预测拍卖是否成功也没有关系,因此在训练时也应将该特征去除
train_data = train_set.drop(['EbayID','QuantitySold','SellerName'],axis = 1) train_target = train_set['QuantitySold'] # Gets the total number of features n_trainSamples, n_features = train_data.shape
这里再解释一下,为什么要删除 QuantitySold
这个特征。因为我们要将样本数据分成两部分,一是纯的特征数据,二是对应的标签,上面的 train_data
就是特征数据, train_target
就是特征标签(是否成功拍卖)
可视化数据,取出一部分数据,两两组成对看数据在这个2维平面上的分布情况
# isSold: Auction success is 1, auction failure is 0 df = pd.DataFrame(np.column_stack((train_data, train_target)), columns = list(range(n_features)) + ['isSold']) sns.pairplot(df[:50], vars = [2,3,4,10,13], hue = 'isSold', size = 1.5)
numpy
中矩阵列合并有两个函数,一是 hstack()
,另一个是这里用到的 column_stack
,这两者的区别在于:如果合并的矩阵中有某一个矩阵是稀疏矩阵(有很多0),则最好用 column_stack
从第 3,9,12,16
维特征的散列图及柱状图可看出,这几个维度并没有很好的区分度,横纵坐标的值分别代表不同维度之间的负相关性,为了查看数据特征之间的相关性,及不同特征与类别 isSold
之间的关系,我们可以利用 seaborn
中的热度图来显示其俩俩组队之间的 相关性
train = train_set.drop(['EbayID','SellerName'],axis = 1) plt.figure(figsize = (10,10)) # The correlation matrix of the data is calculated corr = train.corr() # produce keep out the heat map triangle part of the mask, because the heat the graph is symmetric matrix # so you just output the lower triangular part mask = np.zeros_like(corr, dtype = np.bool) mask[np.triu_indices_from(mask)] = True # Produces the corresponding color change in the heat map cmap = sns.diverging_palette(220, 10, as_cmap = True) # Call the heat in seanborn to create a heat map sns.heatmap(corr, cmap = cmap, mask = mask, vmax = .3, square = True, xticklabels = 5, yticklabels = 2, linewidths = .5, cbar_kws = {'shrink':.5}) # Rotate yticks into the horizontal direction for easy viewing plt.yticks(rotation = 0) plt.show()
![]()
颜色越偏红,相关性越大,越偏蓝相关性越小且负相关,白色即两个特征之间没有多大的关联,通过第一列可看出,不同维的属性与类别isSold之间的关系,其中第 3,9,12,16
维特征与拍卖是否会成功有很强的 正相关性
,其中 3,9,12,16
分别对应属性 SellerClosePercent
, HitCount
, SellerSaleAvgPriceRatio
和 BestOffer
,表示当这些属性的值越大时越有可能拍卖成功,其中第6维特征 StartingBid
与成功拍卖 isSold
之间呈现较大的负相关性,可看出当拍卖投标的底价越高,则这项拍卖的成功性就越低
通过这副热度图的第二列我们还可以看出不同特征与价格Price之间的相关性
利用数据预测拍卖是否会成功
由于数据量比较大,且特征维度也不是特别少,因此一开始做 baseline
时,就不利用 SVM支持向量机
这些较简单的模型,因为当数据量比较大,且维度较高时,有些简单的机器学习算法并不高效,且可能训练到最后都不收敛
根据 scikit-learn
提供的 机器学习算法使用图谱
scikit-learn官方介绍(国内进不去)
图谱推荐先使用 SGDClassifier
,其全称为 Stochastic Gradient Descent 随机梯度下降
,通过 梯度下降法
在训练过程中没有用到所有的训练样本,而是随机从训练样本中选取一部分进行训练,但是 SGD
对特征值的大小比较敏感,而通过上面的数据站视,可以知道在我们的数据集里有数值较大的数据,如 Category
。因此我们需要先使用 sklearn.preprocessing
提供的 StandardScaler
对数据进行预处理,使其每个属性的波动幅度不要太大,有助于训练时函数收敛
下面是使用 sklearn
中的 SGDClassifier
实现拍卖是否成功的模型训练代码
from sklearn.linear_model import SGDClassifier from sklearn.preprocessing import StandardScaler # The results of mini_batch learning for SGDClassifier in the training process were drawn def plot_learning(clf,title): plt.figure() # Record the prediction of the last training result in this training validationScore = [] # Record the forecast situation after adding this training result trainScore = [] # Minimum training frequency mini_batch = 1000 for i in range(int(np.ceil(n_trainSamples / mini_batch))): x_batch = train_data[i * mini_batch : min((i + 1) * mini_batch, n_trainSamples)] y_batch = train_target[i * mini_batch: min((i + 1) * mini_batch, n_trainSamples)] if i > 0: validationScore.append(clf.score(x_batch, y_batch)) clf.partial_fit(x_batch, y_batch, classes = range(5)) if i > 0: trainScore.append(clf.score(x_batch, y_batch)) plt.plot(trainScore, label = "train_score") plt.plot(validationScore, label = "validation_score") plt.xlabel("Mini_batch") plt.ylabel("Score") plt.grid() plt.title(title) plt.savefig('test.jpg') # Normalized data scaler = StandardScaler() train_data = scaler.fit_transform(train_data.drop(['EndDay'], axis = 1)) # Create SGDClassifier clf = SGDClassifier(penalty = 'l2', alpha = 0.001) plot_learning(clf, 'SGDClassifier')
训练结果如下图,由于 SGDClassifier
是在所有的训练样本中抽取一部分作为本次训练集,因此这里不适用 Cross Validation(交叉验证)
可以看到 SGDClassifier
的训练效果还不错,准确率几乎达到92%。我们可以继续使用 scikit-learn
中封装的一些降维方法,这里我们使用三种方法进行降维—— Random
, Projection
, PCA
和 T-SNE embedding
from sklearn import manifold, decomposition, random_projection from matplotlib import offsetbox from time import time images = [] images.append([ [0., 0., 5., 13., 9., 1., 0., 0.], [0., 0., 13., 15., 10., 15., 5., 0.], [0., 3., 15., 2., 0., 11., 8., 0.], [0., 4., 12., 0., 0., 8., 8., 0.], [0., 5., 8., 0., 0., 9., 8., 0.], [0., 4., 11., 0., 1., 12., 7., 0.], [0., 2., 14., 5., 10., 12., 0., 0.], [0., 0., 6., 13., 10., 0., 0., 0.] ]) images.append([ [0., 0., 0., 12., 13., 5., 0., 0.], [0., 0., 0., 11., 16., 9., 0., 0.], [0., 0., 3., 15., 16., 6., 0., 0.], [0., 7., 15., 16., 16., 2., 0., 0.], [0., 0., 1., 16., 16., 3., 0., 0.], [0., 0., 1., 16., 16., 6., 0., 0.], [0., 0., 1., 16., 16., 6., 0., 0.], [0., 0., 0., 11., 16., 10., 0., 0.] ]) # 1000 pieces of data were selected for visual display show_instances = 1000 # define the drawing function def plot_embedding(X, title = None): x_min, x_max = np.min(X, 0), np.max(X, 0) X = (X - x_min) / (x_max - x_min) plt.figure() ax = plt.subplot(111) for i in range(X.shape[0]): plt.text(X[i,0], X[i,1], str(train_target[i]), color = plt.cm.Set1(train_target[i] / 2.), fontdict = {'weight':'bold','size':9}) if hasattr(offsetbox, 'AnnotationBbox'): shown_images = np.array([ [1., 1.] ]) for i in range(show_instances): dist = np.sum((X[i] - shown_images) ** 2, 1) if np.min(dist) < 4e-3: # don't show points that are too close continue shown_images = np.r_[shown_images, [X[i]]] auctionbox = offsetbox.AnnotationBbox( offsetbox.OffsetImage(images[train_target[i]], cmap = plt.cm.gray_r), X[i] ) ax.add_artist(auctionbox) plt.xticks([]), plt.yticks([]) if title is not None: plt.title(title) # Random Projuection start_time = time() rp = random_projection.SparseRandomProjection(n_components = 2,random_state = 50) rp.fit(train_data[:show_instances]) train_projected = rp.transform(train_data[:show_instances]) plot_embedding(train_projected, "Random Projecion of the auction (time: %.3fs)" % (time() - start_time)) # PCA start_time = time() train_pca = decomposition.TruncatedSVD(n_components = 2).fit_transform(train_data[:show_instances]) plot_embedding(train_projected, "Pricincipal Components Projection of the auction (time: %.3fs)" % (time() - start_time)) # t-sns start_time = time() tsne= manifold.TSNE(n_components = 2, init = 'pca', random_state = 0) train_tsne = tsne.fit_transform(train_data[:show_instances]) plot_embedding(train_projected, "T-SNE embedding of the auction (time: %.3fs)" % (time() - start_time))
随机投影效果如下图
PCA降维效果
T-SNE降维效果
从上面三幅图中,我们可以看出数字0和1的重叠情况,判断出数据的可区分度并不是特别大,因此我们训练效果也并没有特别好
分类训练结束后,查看分类器在测试集上的效果
from sklearn.metrics import precision_score, recall_score, f1_score train_data = scaler.fit_transform(train_data) train_pred = clf.predict(train_data) print("SGDClassifier training performance on testing dataset:") print("\tPrecision:%1.3f" % precision_score(train_target, train_pred)) print("\tRecall:%1.3f" % recall_score(train_target, train_pred)) print("\tF1:%1.3f \n" % f1_score(train_target, train_pred))
测试效果:
SGDClassifier training performance on testing dataset: Precision:0.875 Recall:0.730 F1:0.796
预测拍卖最终成交价格
由于价格Price是一个 Numerical
的值,而拍卖是否成功是一个 Category
的值,因此两者做法是不一样的,预测价格是一个 回归
任务,而判断拍卖是否成功是一个 分类
任务
同样根据 机器学习算法使用图谱
,这里我们采取 SGDRegressor
,代码如下:
from sklearn.linear_model import SGDRegressor import random from sklearn.preprocessing import MinMaxScaler # prepare data test_subset = pd.read_csv('Data/TestSubset.csv') train_subset = pd.read_csv('Data/TrainingSubset.csv') # Training Data train = train_subset.drop(['EbayID','Price','SellerName','EndDay'],axis=1) train_target = train_subset['Price'] scaler = MinMaxScaler() train = scaler.fit_transform(train) n_trainSamples, n_features = train.shape # ploting example from scikit-learn def plot_learning(clf,title): plt.figure() validationScore = [] trainScore = [] mini_batch = 500 # define the shuffle index idx = list(range(n_trainSamples)) random.shuffle(idx) for i in range(int(np.ceil(n_trainSamples / mini_batch))): x_batch = train[idx[i * mini_batch: min((i + 1) * mini_batch, n_trainSamples)]] y_batch = train_target[idx[i * mini_batch: min((i + 1) * mini_batch, n_trainSamples)]] if i > 0: validationScore.append(clf.score(x_batch, y_batch)) clf.partial_fit(x_batch, y_batch) if i > 0: trainScore.append(clf.score(x_batch, y_batch)) plt.plot(trainScore, label="train score") plt.plot(validationScore, label="validation socre") plt.xlabel("Mini_batch") plt.ylabel("Score") plt.legend(loc='best') plt.title(title) sgd_regresor = SGDRegressor(penalty='l2',alpha=0.001) plot_learning(sgd_regresor,"SGDRegressor") # 准备测试集查看测试情况 test = test_subset.drop(['EbayID','Price','SellerName','EndDay'],axis=1) test = scaler.fit_transform(test) test_target = test_subset['Price'] print("SGD regressor prediction result on testing data: %.3f" % sgd_regresor.score(test,test_target)) plt.show()
在测试集上的测试结果: SGD regressor prediction result on testing data: 0.936
,由于 SGDRegressor
回归效果不错,因此就不太需要进一步选择其他的模型进行尝试了
总结
本篇文章大概讲解了如何使用 scikit-learn
进行数据分析,其实在数据分析过程中,运用到 机器学习
的算法进行模型训练并不是最重要的,大量的时间花费在数据的 预处理
上,我不止一次听到很多机器学习大牛说过一句话 数据分析,最重要的不是算法,是数据
。关于更多 scikit-learn
的机器学习算法,可以查看 官方文档 ,上面有很多例子,可以帮助大家快速入门
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:- 源码分析 Sentinel 实时数据采集实现原理
- python数据分析于实现,单样本体检验、独立样本体检验、相关分析、列联表分析!
- 万字长文揭秘:阿里如何实现海量数据实时分析?
- 进阶Python高手的正确姿势:巧用Python实现数据分析【隐藏攻略】
- R 语言实现股票数据的预处理及分析
- 1行代码实现Python数据分析:图表美观清晰,自带对比功能丨开源
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
数据库系统概念
Abraham Silberschatz、Henry F. Korth、S. Sudarshan / 杨冬青、马秀莉、唐世渭 / 机械工业 / 2006-10-01 / 69.50元
本书是数据库系统方面的经典教材之一。国际上许多著名大学包括斯坦福大学、耶鲁大学、得克萨斯大学、康奈尔大学、伊利诺伊大学、印度理工学院等都采用本书作为教科书。我国也有许多所大学采用本书以前版本的中文版作为本科生和研究生的数据库课程的教材和主要教学参考书,收到了良好的效果。 本书调整和新增内容:调整了第4版的讲授顺序。首先介绍SQL及其高级特性,使学生容易接受数据库设计的概念。新增数据库设计的专......一起来看看 《数据库系统概念》 这本书的介绍吧!