机器学习第二十七讲：Kaggle → 参加机器学习界的奥林匹克

资料取自《零基础学机器学习》。

查看总目录：学习大纲

关于DeepSeek本地部署指南可以看下我之前写的文章：DeepSeek R1本地与线上满血版部署：超详细手把手指南

Kaggle详解：超市销量预测竞赛全流程解析 $\^10-2$

Kaggle竞赛的权威性

全球影响力：Kaggle是全球最大的数据科学社区和竞赛平台，拥有超过1200万开发者、学者及企业团队。其竞赛吸引了全球各地的数据科学家和机器学习爱好者，参赛者来自不同的国家和地区，具有广泛的国际影响力。
行业认可度：Kaggle竞赛在数据科学和机器学习领域具有极高的认可度，其竞赛结果和参赛者的表现受到业界和学术界的广泛关注。许多知名科技公司，如Google、Facebook、Microsoft等，都在Kaggle上举办过数据挖掘比赛，这进一步提升了Kaggle竞赛的权威性和影响力。

以"超市月度销量预测"竞赛为例，结合买菜、会员日促销等生活场景，展示完整Kaggle参赛流程：
报名竞赛下载数据分析销售规律处理节假日数据训练预测模型提交结果优化模型

一、数据初探（第三章）

销售数据分析四步法：

python 复制代码

import pandas as pd
import matplotlib.pyplot as plt

# 读取数据（类似查看超市进货记录）
sales_data = pd.read_csv('/kaggle/input/supermarket-sales/sales.csv')  # [^7-1]

# 可视化分析（发现周末销量激增）
plt.plot(sales_data['日期'], sales_data['销量'])  # 每周六出现波峰 [^2-2]

关键特征矩阵：

特征	处理方式	章节引用
温度	标准化处理 $\^4-1$	第四章第二节
是否节假日	二进制编码 $\^4-3$	第四章第四节
历史销量	滑动窗口平均值 $\^4章$	第四章第三节
促销活动	直接保留原始值 $\^5章$	第五章第一节

二、特征烹饪（第四章）

销量数据加工流水线：
温度标准化节假日编码创建周累计销量添加天气影响

温度标准化：

python 复制代码

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
sales_data['温度'] = scaler.fit_transform(sales_data[['温度']])  # [^4-1]

节假日编码：

python 复制代码

# 将"春节/国庆"转为1，平常日转为0
sales_data['节日'] = sales_data['节日'].apply(lambda x: 1 if x != '无' else 0)  # [^4-3]

创建历史特征：

python 复制代码

# 计算前3天平均销量（类似观察近期趋势）
sales_data['3日平均'] = sales_data['销量'].rolling(window=3).mean()  # [^4章]

三、模型训练（第五章）

多模型对比策略：
基础模型线性回归决策树模型融合

代码实现：

python 复制代码

from sklearn.linear_model import LinearRegression
from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import cross_val_score  # [^8-2]

# 线性回归训练（类似画销售趋势线）
lr = LinearRegression()
print(cross_val_score(lr, X, y, cv=5).mean())  # 交叉验证[^8-2]

# 决策树训练（类似多条件判断）
tree = DecisionTreeRegressor(max_depth=5)
tree.fit(train_X, train_y)  # [^5-2]

模型对比表：

模型	MAE误差	训练时间	章节知识点
线性回归	23.5	0.8s	第五章第一节 $\^5-1$
决策树	18.7	1.2s	第五章第三节 $\^5-2$
随机森林	15.3	3.5s	第七章第一节 $\^7-1$

四、结果优化（第八章）

三级提升方法：

添加周末特征：

python 复制代码

sales_data['周末'] = sales_data['日期'].dt.weekday.apply(lambda x: 1 if x >=5 else 0)

网格搜索调参：

python 复制代码

from sklearn.model_selection import GridSearchCV
params = {'max_depth': [3,5,7], 'min_samples_split': [2,5]}  # [^8-3]
grid = GridSearchCV(tree, params, cv=5)

正则化处理：

python 复制代码

from sklearn.linear_model import Ridge
ridge = Ridge(alpha=0.5)  # 控制模型复杂度[^8-4]

五、完整参赛示例

python 复制代码

# 超市销量预测完整流程（含数据预处理、建模、提交）
import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.preprocessing import OneHotEncoder

# 数据读取（相当于拿到进货记录）
train = pd.read_csv('/kaggle/input/supermarket-sales/train.csv')
test = pd.read_csv('/kaggle/input/supermarket-sales/test.csv')

# 处理天气数据（晴天=1，雨天=0）
weather_mapping = {'晴':1, '雨':0}
train['天气'] = train['天气'].map(weather_mapping)  # [^4-3]

# 添加温度影响分档
train['温度区间'] = pd.cut(train['温度'], bins=5, labels=False)  # [^4章]

# 选择关键特征
features = ['温度', '节日', '周末', '促销活动']
X = train[features]
y = train['销量']

# 训练随机森林（类似综合多个店员经验）
model = RandomForestRegressor(n_estimators=200)  # [^5-2]
model.fit(X, y)

# 生成提交文件
test_pred = model.predict(test[features])
submission = pd.DataFrame({'ID': test['ID'], '销量': test_pred})
submission.to_csv('submission.csv', index=False)  # [^10-2]