| 编辑推荐: |
| 来源于cnblogs，介绍了利用决策树分类，利用随机森林预测，
利用对数进行fit，和exp函数还原等。 |
|
分享
知识要点：
lubridate包拆解时间 | POSIXlt
利用决策树分类，利用随机森林预测
利用对数进行fit，和exp函数还原
训练集来自Kaggle华盛顿自行车共享计划中的自行车租赁数据，分析共享自行车与天气、时间等关系。数据集共11个变量，10000多行数据。
https://www.kaggle.com/c/bike-sharing-demand
首先看一下官方给出的数据，一共两个表格，都是2011-2012年的数据，区别是Test文件是每个月的日期都是全的，但是没有注册用户和随意用户。而Train文件是每个月只有1-20天，但有两类用户的数量。
求解：补全Train文件里21-30号的用户数量。评价标准是预测与真实数量的比较。
1.png
首先加载文件和包
library (lubridate)
library (randomForest)
library (readr)
setwd ("E:")
data <-read_csv ("train.csv")
head (data) |
这里我就遇到坑了，用r语言缺省的read.csv死活读不出来正确的文件格式，换成xlsx更惨，所有时间都变成43045这样的怪数字。本来之前试过as.Date可以正确转换，但这次因为有时分秒，就只能用时间戳，但结果也不行。
最后是下载了"readr"包，用read_csv语句，顺利解读。
因为test比train日期完整，但缺少用户数，所以要把train和test合并。
test$registered=0
test$casual=0
test$count=0
data<-rbind(train,test) |
摘取时间：可以用时间戳，这里的时间比较简单，就是小时数，所以也可以直接截字符串。
data$hour1<-substr
(data$datetime,12,13)
table(data$hour1) |
统计一下每个小时的使用总数，是这样（为什么介么整齐）：
6-hour1.png
接下来是运用箱线图，看一下使用者和时间，周几这些的关系。为什么用箱线图而不用hist直方图，因为箱线图有离散点表达，下面也因此运用对数求fit
从图中可以看出，在时间方面，注册用户和非注册用户的使用时间有很大不同。
5-hour-regestered.png
5-hour-casual.png
4-boxplot-day.png
接下来用相关系数cor检验用户，温度，体感温度，湿度，风速的关系。
相关系数：变量之间的线性关联度量，检验不同数据的相关程度。
取值范围[-1，1]，越接近0越不相关。
从运算结果可以看出，使用人群与风速呈负相关，比温度影响还大。
cor.png
接下来就是将时间等因素用决策树分类，然后用随机森林来预测。随机森林和决策树的算法。听起来很高大上，其实现在也很常用了，所以一定要学会。
决策树模型是 一种简单易用的非参数分类器。它不需要对数据有任何的先验假设，计算速度较快，结果容易解释，而且稳健性强，不怕噪声数据和缺失数据。
决策树模型的基本计 算步骤如下：先从n个自变量中挑选一个，寻找最佳分割点，将数据划分为两组。针对分组后数据，将上述步骤重复下去，直到满足某种条件。
在决策树建模中需要解决的重要问题有三个：
如何选择自变量
如何选择分割点
确定停止划分的条件
做出注册用户和小时的决策树，
train$hour1<-as.integer(train$hour1)
d<-rpart (registered~hour1,data=train)
rpart .plot(d) > |
3-raprt-hour1.png
然后就是根据决策树的结果手动分类，所以还满占代码的...
train$hour1
<-as.integer(train$hour1)
data$dp_reg=0
data$dp_reg[data$hour1 <7.5]=1
data$dp_reg[data$hour1> =22]=2
data$dp_reg[data$hour1 >=9.5 & data$hour1<18]=3
data$dp_reg[data$hour1> =7.5 & data$hour1<18]=4
data$dp_reg[data$hour1> =8.5 & data$hour1<18]=5
data$dp_reg[data$hour1> =20 & data$hour1<20]=6
data$dp_reg[data$hour1> =18 & data$hour1<20]=7 |
同理，做出 （小时 | 温度） X （注册 | 随意用户） 等决策树，继续手动分类....
3-raprt-temp.png
年份月份，周末假日等手动分类
data$year_part=0
data$month <-month(data$datatime)
data$year_part [data$year=='2011']=1
data$year_part [data$year=='2011' & data $month>3]
= 2
data$year_part[data$year=='2011' & data $month>6]
= 3
data$year_part[data$year=='2011' & data $month>9]
= 4
data$day_type=""
data$day _type [data$holiday ==0 & data$workingday==0]
="weekend"
data$day_type[data$holiday==1] ="holiday"
data$day_type[data$holiday ==0 & data$workingday==1]
="working day"
data$weekend=0
data$weekend [data$day= ="Sunday"|data$day=
=" Saturday "] =1 |
接下来用随机森林语句预测
在机器学习中，随机森林是一个包含多个决策树的分类器， 并且其输出的类别是由个别树输出的类别的众数而定。
随机森林中的子树的每一个分裂过程并未用到所有的待选特征，而是从所有的待选特征中随机选取一定的特征，再在其中选取最优的特征。这样决策树都能够彼此不同，提升系统的多样性，从而提升分类性能。
ntree指定随机森林所包含的决策树数目，默认为500，通常在性能允许的情况下越大越好；
mtry指定节点中用于二叉树的变量个数，默认情况下数据集变量个数的二次方根（分类模型）或三分之一（预测模型）。一般是需要进行人为的逐次挑选，确定最佳的m值—摘自datacruiser笔记。这里我主要学习，所以虽然有10000多数据集，但也只定了500。就这500我的小电脑也跑了半天。
train<-data
set.seed (1234)
train$logreg <-log(train$registered+1)
test$logcas <-log(train$casual+1)
fit1 <-randomForest (logreg~hour1+ workingday
+ day + holiday + day_ type+ temp_reg+ humidity
+ atemp + windspeed + season+ weather+ dp_ reg+
weekend + year+year _part ,train ,importance =
TRUE , ntree = 250)
pred1 <-predict (fit1,train)
train $logreg <-pred1 |
这里不知道怎么回事，我的day和day_part加进去就报错，只有删掉这两个变量计算，还要研究修补。
然后用exp函数还原
train$registered<-exp(train$logreg)-1
train$casual<-exp(train$logcas)-1
train$count<-test$casual+train$registered |
最后把20日后的日期截出来，写入新的csv文件上传。
train2<-train[as.integer
(day(data$datetime))> = 20 ,]
submit_final <-data.frame (datetime= test$
datetime ,count= test$count)
write.csv(submit _final,"submit_ final.csv
", row .names = F) |
|
