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。
Essential PHP Security
Chris Shiflett / O'Reilly Media / 2005-10-13 / USD 29.95
Being highly flexible in building dynamic, database-driven web applications makes the PHP programming language one of the most popular web development tools in use today. It also works beautifully wit......一起来看看 《Essential PHP Security》 这本书的介绍吧!