阿里天池大赛[人工智能辅助糖尿病遗传风险预测]赛后总结

题目以及数据介绍

Github 代码以及数据
Github

初始思想

1.从头开始，先看一下初始数据以及数据的简单分析吧

训练数据，最后一列是血糖：
trainA
A榜测试数据
testA
第九个特征与标签的关系分布

第三十八个

各个特征计数（有点糊）
count
各个特征(标签)的标准差
std
热力图(反应相关性)
hot_map
标签数量分布(简单取整)
label
2. 对以上数据分析一下：
1）特征的数据分布基本上是类似图中的分布规律(符合实际情况，说明该指标大部分人都正常)
2）个别特征的标准差比较大，说明有离群值，先baseline在进行离群值处理
3）个别特征缺失值比较多(尤其中间五个，缺失近乎75%，实际指标为乙肝五项)，所以暂不使用
4）由于特征是医学指标，所以需要挖掘内在的医学上的关系
5）数据中时间以及id暂不使用，并且性别映射为数值: 男1女0
3. 根据上述分析进行简单模型跑出baseline，xgboost模型

# 得分score按照题目要求实现
# 利用xgboost的树模型以及泊松分布(label大致符合泊松分布)
# 误差rmse为均方根误差(均方误差开方)
# 参数如下，1000-50次迭代
para = {
    'booster': 'gbtree',
    'objective': 'count:poisson',
    'eval_metric': 'rmse',
    'eta': 0.3,  # alpha
    'silent': 1,
    'max_depth': 3,
    'subsample': 0.9,  # 0.9样本选取率 防止过拟合
    "miss": -999,
    "lambda":1.5
}

结果：
本地cv-5折测试得分score
score0
提交后得分score
score
效果不是很好0.0

中期思想

1.
1) 既然是医学指标,那么就要结合医学上进行分组,就是同一器官和平均值+总量这种东西融合在一起
2) 建立阀值,删除.(经过本地测试 18最优)

# 去掉乙肝五项 id 体检日期
train_file.drop(['乙肝表面抗原', '乙肝表面抗体', '乙肝e抗原', '乙肝e抗体', '乙肝核心抗体', 'id', '体检日期'],axis=1,inplace=True)
test_file.drop(['乙肝表面抗原', '乙肝表面抗体', '乙肝e抗原', '乙肝e抗体', '乙肝核心抗体', 'id', '体检日期'],axis=1,inplace=True)
# 白球比例是指肝功能白球比例（白球比）=白蛋白/球蛋白=白蛋白/（总蛋白-白蛋白）
# 单核细胞 白细胞冲突
train_file.drop(['单核细胞%','白球比例','白蛋白','*总蛋白'],axis=1,inplace=True)
test_file.drop(['单核细胞%','白球比例','白蛋白','*总蛋白'],axis=1,inplace=True)

# 合并相似项目 酶
train_file['酶'] = train_file['*天门冬氨酸氨基转换酶'] + train_file["*丙氨酸氨基转换酶"] \
                  + train_file["*碱性磷酸酶"] + train_file["*r-谷氨酰基转换酶"]
test_file['酶'] = test_file["*天门冬氨酸氨基转换酶"] + test_file["*丙氨酸氨基转换酶"] \
                 + test_file["*碱性磷酸酶"] + test_file["*r-谷氨酰基转换酶"]

# 血细胞计数 * 平均参数
train_file['红细胞总血红蛋白量'] = train_file['红细胞计数'] * train_file['红细胞平均血红蛋白量']
test_file['红细胞总血红蛋白量'] = test_file['红细胞计数'] * test_file['红细胞平均血红蛋白量']

train_file['红细胞总血红蛋白浓度'] = train_file['红细胞计数'] * train_file['红细胞平均血红蛋白浓度']
test_file['红细胞总血红蛋白浓度'] = test_file['红细胞计数'] * test_file['红细胞平均血红蛋白浓度']

train_file['红细胞总体积'] = train_file['红细胞计数'] * train_file['红细胞平均体积']
test_file['红细胞总体积'] = test_file['红细胞计数'] * test_file['红细胞平均体积']

train_file['血小板总体积'] = train_file['血小板计数'] * train_file['血小板平均体积']
test_file['血小板总体积'] = test_file['血小板计数'] * test_file['血小板平均体积']
# cv 0.7912094213627026

# 肾指标
train_file['肾'] = train_file['尿酸'] + train_file['尿素'] + train_file['肌酐']
test_file['肾'] = test_file['尿酸'] + test_file['尿素'] + test_file['肌酐']

# 嗜酸细胞
train_file["嗜酸细胞"] = train_file['白细胞计数'] * train_file["嗜酸细胞%"]
test_file["嗜酸细胞"] = test_file['白细胞计数'] * test_file["嗜酸细胞%"]

# 删除嗜碱细胞 与嗜酸细胞矛盾
train_file.drop(['嗜碱细胞%'],axis=1,inplace=True)
test_file.drop(['嗜碱细胞%'],axis=1,inplace=True)

# 删除年龄异常值
train_file = train_file[train_file['血糖'] <= 18]

# 利用lgb中goss+泊松模型的lgb参数设置
# 1500-50迭代
lgb_para = {
        'learning_rate': 0.03,  
        'boosting_type': 'goss',
        'objective': 'poisson',
        'metric': 'rmse',  
        'max_depth': 4,
        'sub_feature': 0.9,
        'colsample_bytree': 0.9,
        'verbose': -1 
    }

关于嗜酸性粒细胞

lgb结果：
scorelag
效果还可以
线下cv 5折结果得分稍微比真实高一点
这个real score是A榜数据答案全量测试得分
当然第一次做的时候没有这个答案,第一次得分就是随机选点测试得分

xgboost版本：

xgb_para = {
    'booster': 'gbtree',
    'objective': 'count:poisson',
    'eval_metric': 'rmse',
    'eta': 0.03,  #
    'silent': 1,
    'max_depth': 4,    # 4 best
    'subsample': 0.9,  # 0.9 best
    "miss": -999,
    "colsample_bytree": 0.7,
    "lambda":1.5 # 1.5 best
}

xgb结果：
xgboost ans

其实score差不多
但是
很明显xgboost的时间比lgb长

其他思想

0) catboost应用
1) cnn应用(效果不是很好)
2) 上述模型的融合

心得感悟

觉得模型调参只是短暂的繁琐但是脑力消耗比较小
其次,特征处理尤为重要
总结: 对特征不够敏感, 尤其是比较专业的方面, 其次,数学功底有待加强, 否则分析数据手足无措 = =
后续: 加强模型数学理解比如本次的goss+泊松, 准备知识储备去面试 = =