欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

kaggle入门之一

程序员文章站 2024-03-18 09:51:16
...

https://blog.csdn.net/u012162613/article/details/41929171

近期带娃搞专利,没啥事,我想开始刷刷kaggle

大数据竞赛平台——Kaggle 入门篇

 

 

这篇文章适合那些刚接触Kaggle、想尽快熟悉Kaggle并且独立完成一个竞赛项目的网友,对于已经在Kaggle上参赛过的网友来说,大可不必耗费时间阅读本文。本文分为两部分介绍Kaggle,第一部分简单介绍Kaggle,第二部分将展示解决一个竞赛项目的全过程。如有错误,请指正!

 

1、Kaggle简介

Kaggle是一个数据分析的竞赛平台,网址:https://www.kaggle.com/

 

企业或者研究者可以将数据、问题描述、期望的指标发布到Kaggle上,以竞赛的形式向广大的数据科学家征集解决方

案,类似于KDD-CUP(国际知识发现和数据挖掘竞赛)。Kaggle上的参赛者将数据下载下来,分析数据,然后运用机

器学习、数据挖掘等知识,建立算法模型,解决问题得出结果,最后将结果提交,如果提交的结果符合指标要求并且在参赛者中排名第一,将获得比赛丰厚的奖金。更多内容可以参阅:大数据众包平台

 

下面我以图文的形式介绍Kaggle:

 

进入Kaggle网站:

kaggle入门之一

 

这是当前正在火热进行的有奖比赛,有冠军杯形状的是“Featured”,译为“号召”,召集数据科学高手去参赛。下面那个灰色的有试剂瓶形状的是“Research”,奖金少一点。这两个类别的比赛是有奖竞赛,难度自然不小,作为入门者,应该先做练习赛:

 

kaggle入门之一kaggle入门之一

 

左图的比赛是“101”,右图的是“Playground”,都是练习赛,适合入门。入门Kaggle最好的方法就是独立完成101和playground这两个级别的竞赛项目。本文的第二部分将选101中的“Digit Recognition”作为讲解。

 

点击进入赛题“Digit Recognition”

kaggle入门之一

 

这是一个识别数字0~9的练习赛,“Competition Details“是这个比赛的描述,说明参赛者需要解决的问题。”Get the Data“是数据下载,参赛者用这些数据来训练自己的模型,得出结果,数据一般都是以csv格式给出:

 

kaggle入门之一

 

其中,train.csv就是训练样本,test.csv就是测试样本,由于这个是训练赛,所以还提供了两种解决方案,knn_benchmark.R和rf_benchmark.R,前者是用R语。言写的knn算法程序,后者是用R语言写的随机森林算法程序,它们的结果分别是knn_benchmark.csv和rf_benchmark.csv。关于csv格式文件,我前一篇文章有详述:【Python】csv模块的使用

 

得出结果后,接下来就是提交结果”Make a submission“

kaggle入门之一

 

要求提交的文件是csv格式的,假如你将结果保存在result.csv,那么点击”Click or drop submission here“,选中result.csv文件上传即可,系统将测试你提交的结果的准确率,然后排名。

 

另外,除了“Competition Details“、”Get the Data“、”Make a submission“,侧边栏的”Home“、”Information“、"Forum"等,也提供了关于竞赛的一些相关信息,包括排名、规则、辅导......

 

【以上是第一部分,暂且写这么多,有补充的以后再更】

 

 

2、竞赛项目解题全过程

(1)知识准备

 

首先,想解决上面的题目,还是需要一点ML算法的基础的,另外就是要会用编程语言和相应的第三方库来实现算法,常用的有:

Python以及对应的库numpy、scipy、scikit-learn(实现了ML的一些算法,可以直接用)、theano(DeepLearning的算法包)。

R语言、weka

如果用到深度学习的算法,cuda、caffe也可以用

总之,使用什么编程语言、什么平台、什么第三方库都无所谓,无论你用什么方法,Kaggle只需要你线上提交结果,线下你如何实现算法是没有限制的。

 

Ok,下面讲解题过程,以”Digit Recognition“为例,数字识别这个问题我之前写过两篇文章,分别用kNN算法和Logistic算法去实现,有完整的代码,有兴趣可以阅读:kNN算法实现数字识别 Logistic回归实现数字识别

 

 

(2)Digit Recognition解题过程

 

下面我将采用kNN算法来解决Kaggle上的这道Digit Recognition训练题。上面提到,我之前用kNN算法实现过,这里我将直接copy之前的算法的核心代码,核心代码是关于kNN算法的主体实现,我不再赘述,我把重点放在处理数据上。

以下工程基于Python、numpy

 

  • 获取数据

 

从”Get the Data“下载以下三个csv文件:

kaggle入门之一

 

  • 分析train.csv数据

 

train.csv是训练样本集,大小42001*785,第一行是文字描述,所以实际的样本数据大小是42000*785,其中第一列的每一个数字是它对应行的label,可以将第一列单独取出来,得到42000*1的向量trainLabel,剩下的就是42000*784的特征向量集trainData,所以从train.csv可以获取两个矩阵trainLabel、trainData。

下面给出代码,另外关于如何从csv文件中读取数据,参阅:csv模块的使用

 

 

 
  1. def loadTrainData():

  2. l=[]

  3. with open('train.csv') as file:

  4. lines=csv.reader(file)

  5. for line in lines:

  6. l.append(line) #42001*785

  7. l.remove(l[0])

  8. l=array(l)

  9. label=l[:,0]

  10. data=l[:,1:]

  11. return nomalizing(toInt(data)),toInt(label)


这里还有两个函数需要说明一下,toInt()函数,是将字符串转换为整数,因为从csv文件读取出来的,是字符串类型的,比如‘253’,而我们接下来运算需要的是整数类型的,因此要转换,int(‘253’)=253。toInt()函数如下:

 

 
  1. def toInt(array):

  2. array=mat(array)

  3. m,n=shape(array)

  4. newArray=zeros((m,n))

  5. for i in xrange(m):

  6. for j in xrange(n):

  7. newArray[i,j]=int(array[i,j])

  8. return newArray


 

 

nomalizing()函数做的工作是归一化,因为train.csv里面提供的表示图像的数据是0~255的,为了简化运算,我们可以将其转化为二值图像,因此将所有非0的数字,即1~255都归一化为1。nomalizing()函数如下:

 

 
  1. def nomalizing(array):

  2. m,n=shape(array)

  3. for i in xrange(m):

  4. for j in xrange(n):

  5. if array[i,j]!=0:

  6. array[i,j]=1

  7. return array


 

 

 

  • 分析test.csv数据

test.csv里的数据大小是28001*784,第一行是文字描述,因此实际的测试数据样本是28000*784,与train.csv不同,没有label,28000*784即28000个测试样本,我们要做的工作就是为这28000个测试样本找出正确的label。所以从test.csv我们可以得到测试样本集testData,代码如下:

 

 
  1. def loadTestData():

  2. l=[]

  3. with open('test.csv') as file:

  4. lines=csv.reader(file)

  5. for line in lines:

  6. l.append(line)

  7. #28001*784

  8. l.remove(l[0])

  9. data=array(l)

  10. return nomalizing(toInt(data))


 

 

  • 分析knn_benchmark.csv

 

前面已经提到,由于digit recognition是训练赛,所以这个文件是官方给出的参考结果,本来可以不理这个文件的,但是我下面为了对比自己的训练结果,所以也把knn_benchmark.csv这个文件读取出来,这个文件里的数据是28001*2,第一行是文字说明,可以去掉,第一列表示图片序号1~28000,第二列是图片对应的数字。从knn_benchmark.csv可以得到28000*1的测试结果矩阵testResult,代码:

 

 
  1. def loadTestResult():

  2. l=[]

  3. with open('knn_benchmark.csv') as file:

  4. lines=csv.reader(file)

  5. for line in lines:

  6. l.append(line)

  7. #28001*2

  8. l.remove(l[0])

  9. label=array(l)

  10. return toInt(label[:,1])


 

到这里,数据分析和处理已经完成,我们获得的矩阵有:trainData、trainLabel、testData、testResult

 

 

  • 算法设计

这里我们采用kNN算法来分类,核心代码:

 
  1. def classify(inX, dataSet, labels, k):

  2. inX=mat(inX)

  3. dataSet=mat(dataSet)

  4. labels=mat(labels)

  5. dataSetSize = dataSet.shape[0]

  6. diffMat = tile(inX, (dataSetSize,1)) - dataSet

  7. sqDiffMat = array(diffMat)**2

  8. sqDistances = sqDiffMat.sum(axis=1)

  9. distances = sqDistances**0.5

  10. sortedDistIndicies = distances.argsort()

  11. classCount={}

  12. for i in range(k):

  13. voteIlabel = labels[0,sortedDistIndicies[i]]

  14. classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1

  15. sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)

  16. return sortedClassCount[0][0]


关于这个函数,参考:kNN算法实现数字识别

 

简单说明一下,inX就是输入的单个样本,是一个特征向量。dataSet是训练样本,对应上面的trainData,labels对应trainLabel,k是knn算法选定的k,一般选择0~20之间的数字。这个函数将返回inX的label,即图片inX对应的数字。

对于测试集里28000个样本,调用28000次这个函数即可。

 

  • 保存结果

kaggle上要求提交的文件格式是csv,上面我们得到了28000个测试样本的label,必须将其保存成csv格式文件才可以提交,关于csv,参考:【Python】csv模块的使用

代码:

 
  1. def saveResult(result):

  2. with open('result.csv','wb') as myFile:

  3. myWriter=csv.writer(myFile)

  4. for i in result:

  5. tmp=[]

  6. tmp.append(i)

  7. myWriter.writerow(tmp)


 

  • 综合各函数

上面各个函数已经做完了所有需要做的工作,现在需要写一个函数将它们组合起来解决digit recognition这个题目。我们写一个handwritingClassTest函数,运行这个函数,就可以得到训练结果result.csv。

 

 
  1. def handwritingClassTest():

  2. trainData,trainLabel=loadTrainData()

  3. testData=loadTestData()

  4. testLabel=loadTestResult()

  5. m,n=shape(testData)

  6. errorCount=0

  7. resultList=[]

  8. for i in range(m):

  9. classifierResult = classify(testData[i], trainData, trainLabel, 5)

  10. resultList.append(classifierResult)

  11. print "the classifier came back with: %d, the real answer is: %d" % (classifierResult, testLabel[0,i])

  12. if (classifierResult != testLabel[0,i]): errorCount += 1.0

  13. print "\nthe total number of errors is: %d" % errorCount

  14. print "\nthe total error rate is: %f" % (errorCount/float(m))

  15. saveResult(resultList)


运行这个函数,可以得到result.csv文件:

kaggle入门之一

 

2 0 9 9 3 7 0 3.......就是每个图片对应的数字。与参考结果knn_benchmark.csv比较一下:

kaggle入门之一

 

 

28000个样本中有1004个与kknn_benchmark.csv中的不一样。错误率为3.5%,这个效果并不好,原因是我并未将所有训练样本都拿来训练,因为太花时间,我只取一半的训练样本来训练,即上面的结果对应的代码是:

 

 classifierResult = classify(testData[i], trainData[0:20000], trainLabel[0:20000], 5)

 

训练一半的样本,程序跑了将近70分钟(在个人PC上)。

 

  • 提交结果

将result.csv整理成kknn_benchmark.csv那种格式,即加入第一行文字说明,加入第一列的图片序号,然后make a submission,结果准确率96.5%:

 

kaggle入门之一

 

 

 

下载工程代码:github地址

上一篇: 2020-08-19

下一篇: day04 --前端复习