大資料競賽平台——Kaggle 入門

標籤：kaggle   機器學習   資料採礦   python   

大資料競賽平台——Kaggle 入門篇

這篇文章適合那些剛接觸Kaggle、想儘快熟悉Kaggle並且獨立完成一個競賽項目的網友，對於已經在Kaggle上參賽過的網友來說，大可不必耗費時間閱讀本文。本文分為兩部分介紹Kaggle，第一部分簡單介紹Kaggle，第二部分將展示解決一個競賽項目的全過程。如有錯誤，請指正！

1、Kaggle簡介Kaggle是一個資料分析的競賽平台，網址：https://www.kaggle.com/
企業或者研究者可以將資料、問題描述、期望的指標發布到Kaggle上，以競賽的形式向廣大的資料科學家徵集解決方案，類似於KDD-CUP（國際知識發現和資料採礦競賽）。Kaggle上的參賽者將資料下載下來，分析資料，然後運用機器學習、資料採礦等知識，建立演算法模型，解決問題得出結果，最後將結果提交，如果提交的結果符合指標要求並且在參賽者中排名第一，將獲得比賽豐厚的獎金。更多內容可以參閱：大資料眾包平台
下面我以圖文的形式介紹Kaggle：
進入Kaggle網站：

這是當前正在火熱進行的有獎比賽，有冠軍杯形狀的是“Featured”，譯為“號召”，召集資料科學高手去參賽。下面那個灰色的有試劑瓶形狀的是“Research”，獎金少一點。這兩個類別的比賽是有獎競賽，難度自然不小，作為入門者，應該先做練習賽：


左圖的比賽是“101”，右圖的是“Playground”，都是練習賽，適合入門。入門Kaggle最好的方法就是獨立完成101和playground這兩個層級的競賽項目。本文的第二部分將選101中的“Digit Recognition”作為講解。
點擊進入賽題“Digit Recognition”：

這是一個識別數字0～9的練習賽， “Competition Details“是這個比賽的描述，說明參賽者需要解決的問題。 ”Get the Data“是資料下載，參賽者用這些資料來訓練自己的模型，得出結果，資料一般都是以csv格式給出：


其中，train.csv就是訓練樣本，test.csv就是測試樣本，由於這個是訓練賽，所以還提供了兩種解決方案，knn_benchmark.R和rf_benchmark.R，前者是用R語。言寫的knn演算法程式，後者是用R語言寫的隨機森林演算法程式，它們的結果分別是knn_benchmark.csv和rf_benchmark.csv。關於csv格式檔案，我前一篇文章有詳述：【Python】csv模組的使用。
得出結果後，接下來就是提交結果 ”Make a submission“：

要求提交的檔案是csv格式的，假如你將結果儲存在result.csv，那麼點擊”Click or drop submission here“，選中result.csv檔案上傳即可，系統將測試你提交的結果的準確率，然後排名。
另外，除了“Competition Details“、”Get the Data“、”Make a submission“，側邊欄的”Home“、”Information“、"Forum"等，也提供了關於競賽的一些相關資訊，包括排名、規則、輔導......
【以上是第一部分，暫且寫這麼多，有補充的以後再更】

2、競賽項目解題全過程（1）知識準備
首先，想解決上面的題目，還是需要一點ML演算法的基礎的，另外就是要會用程式設計語言和相應的第三方庫來實現演算法，常用的有：Python以及對應的庫numpy、scipy、scikit-learn（實現了ML的一些演算法，可以直接用）、theano（DeepLearning的演算法包）。R語言、weka如果用到深度學習的演算法，cuda、caffe也可以用總之，使用什麼程式設計語言、什麼平台、什麼第三方庫都無所謂，無論你用什麼方法，Kaggle只需要你線上提交結果，線下你如何?演算法是沒有限制的。
Ok，下面講解題過程，以”Digit Recognition“為例，數字識別這個問題我之前寫過兩篇文章，分別用kNN演算法和Logistic演算法去實現，有完整的代碼，有興趣可以閱讀：kNN演算法實現數字識別、 Logistic迴歸實現數字識別

（2）Digit Recognition解題過程

下面我將採用kNN演算法來解決Kaggle上的這道Digit Recognition訓練題。上面提到，我之前用kNN演算法實現過，這裡我將直接copy之前的演算法的核心代碼，核心代碼是關於kNN演算法的主體實現，我不再贅述，我把重點放在處理資料上。

以下工程基於Python、numpy

• 擷取資料

從”Get the Data“下載以下三個csv檔案：

• 分析train.csv資料

train.csv是訓練樣本集，大小42001*785，第一行是文字描述，所以實際的樣本資料大小是42000*785，其中第一列的每一個數字是它對應行的label，可以將第一列單獨取出來，得到42000*1的向量trainLabel，剩下的就是42000*784的特徵向量集trainData，所以從train.csv可以擷取兩個矩陣trainLabel、trainData。

下面給出代碼，另外關於如何從csv檔案中讀取資料，參閱：csv模組的使用

def loadTrainData():    l=[]    with open('train.csv') as file:         lines=csv.reader(file)         for line in lines:             l.append(line) #42001*785    l.remove(l[0])    l=array(l)    label=l[:,0]    data=l[:,1:]    return nomalizing(toInt(data)),toInt(label)

這裡還有兩個函數需要說明一下，toInt()函數，是將字串轉換為整數，因為從csv檔案讀取出來的，是字串類型的，比如‘253’，而我們接下來運算需要的是整數類型的，因此要轉換，int(‘253’)=253。toInt()函數如下：

def toInt(array):    array=mat(array)    m,n=shape(array)    newArray=zeros((m,n))    for i in xrange(m):        for j in xrange(n):                newArray[i,j]=int(array[i,j])    return newArray

nomalizing()函數做的工作是歸一化，因為train.csv裡面提供的表示映像的資料是0～255的，為了簡化運算，我們可以將其轉化為二值映像，因此將所有非0的數字，即1～255都歸一化為1。nomalizing()函數如下：

def nomalizing(array):    m,n=shape(array)    for i in xrange(m):        for j in xrange(n):            if array[i,j]!=0:                array[i,j]=1    return array

• 分析test.csv資料

test.csv裡的資料大小是28001*784，第一行是文字描述，因此實際的測試資料樣本是28000*784，與train.csv不同，沒有label，28000*784即28000個測試樣本，我們要做的工作就是為這28000個測試樣本找出正確的label。所以從test.csv我們可以得到測試樣本集testData，代碼如下：

def loadTestData():    l=[]    with open('test.csv') as file:         lines=csv.reader(file)         for line in lines:             l.append(line)     #28001*784    l.remove(l[0])    data=array(l)    return nomalizing(toInt(data))  

• 分析knn_benchmark.csv

前面已經提到，由於digit recognition是訓練賽，所以這個檔案是官方給出的參考結果，本來可以不理這個檔案的，但是我下面為了對比自己的訓練結果，所以也把knn_benchmark.csv這個檔案讀取出來，這個檔案裡的資料是28001*2，第一行是文字說明，可以去掉，第一列表示圖片序號1～28000，第二列是圖片對應的數字。從knn_benchmark.csv可以得到28000*1的測試結果矩陣testResult，代碼：

def loadTestResult():    l=[]    with open('knn_benchmark.csv') as file:         lines=csv.reader(file)         for line in lines:             l.append(line)     #28001*2    l.remove(l[0])    label=array(l)    return toInt(label[:,1])

到這裡，資料分析和處理已經完成，我們獲得的矩陣有：trainData、trainLabel、testData、testResult

• 演算法設計

這裡我們採用kNN演算法來分類，核心代碼：

def classify(inX, dataSet, labels, k):    inX=mat(inX)    dataSet=mat(dataSet)    labels=mat(labels)    dataSetSize = dataSet.shape[0]                      diffMat = tile(inX, (dataSetSize,1)) - dataSet       sqDiffMat = array(diffMat)**2    sqDistances = sqDiffMat.sum(axis=1)                      distances = sqDistances**0.5    sortedDistIndicies = distances.argsort()                classCount={}                                          for i in range(k):        voteIlabel = labels[0,sortedDistIndicies[i]]        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1    sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)    return sortedClassCount[0][0]

關於這個函數，參考：kNN演算法實現數字識別
簡單說明一下，inX就是輸入的單個樣本，是一個特徵向量。dataSet是訓練樣本，對應上面的trainData，labels對應trainLabel，k是knn演算法選定的k，一般選擇0～20之間的數字。這個函數將返回inX的label，即圖片inX對應的數字。對於測試集裡28000個樣本，調用28000次這個函數即可。

• 儲存結果

kaggle上要求提交的檔案格式是csv，上面我們得到了28000個測試樣本的label，必須將其儲存成csv格式檔案才可以提交，關於csv，參考：【Python】csv模組的使用。代碼:

def saveResult(result):    with open('result.csv','wb') as myFile:            myWriter=csv.writer(myFile)        for i in result:            tmp=[]            tmp.append(i)            myWriter.writerow(tmp)

• 綜合各函數

上面各個函數已經做完了所有需要做的工作，現在需要寫一個函數將它們組合起來解決digit recognition這個題目。我們寫一個handwritingClassTest函數，運行這個函數，就可以得到訓練結果result.csv。

def handwritingClassTest():    trainData,trainLabel=loadTrainData()    testData=loadTestData()    testLabel=loadTestResult()    m,n=shape(testData)    errorCount=0    resultList=[]    for i in range(m):         classifierResult = classify(testData[i], trainData, trainLabel, 5)         resultList.append(classifierResult)         print "the classifier came back with: %d, the real answer is: %d" % (classifierResult, testLabel[0,i])         if (classifierResult != testLabel[0,i]): errorCount += 1.0    print "\nthe total number of errors is: %d" % errorCount    print "\nthe total error rate is: %f" % (errorCount/float(m))    saveResult(resultList)

運行這個函數，可以得到result.csv檔案：

2 0 9 9 3 7 0 3.......就是每個圖片對應的數字。與參考結果knn_benchmark.csv比較一下：

28000個樣本中有1004個與kknn_benchmark.csv中的不一樣。錯誤率為3.5%，這個效果並不好，原因是我並未將所有訓練樣本都拿來訓練，因為太花時間，我只取一半的訓練樣本來訓練，即上面的結果對應的代碼是：

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

訓練一半的樣本，程式跑了將近70分鐘（在個人PC上）。

• 提交結果

將result.csv整理成kknn_benchmark.csv那種格式，即加入第一行文字說明，加入第一列的圖片序號，然後make a submission，結果準確率96.5%：




下載工程代碼：github地址
【完】

大資料競賽平台——Kaggle 入門