最新数据挖掘赛事方案梳理！

赛题介绍

赛题任务

赛题数据

• 训练集：共有5070条数据，用于构建您的预测模型
• 测试集：共有1000条数据，用于验证预测模型的性能。

评分标准

赛题Baseline

导入数据

import pandas as pdimport lightgbm

数据预处理

data1=pd.read_csv('比赛训练集.csv',encoding='gbk')data2=pd.read_csv('比赛测试集.csv',encoding='gbk')#label标记为-1data2['患有糖尿病标识']=-1#训练集和测试机合并data=pd.concat([data1,data2],axis=0,ignore_index=True)
#特征工程"""人体的成人体重指数正常值是在18.5-24之间低于18.5是体重指数过轻在24-27之间是体重超重27以上考虑是肥胖高于32了就是非常的肥胖。"""def BMI(a):    if a<18.5:        return 0    elif 18.5<=a<=24:        return 1    elif 24<a<=27:        return 2    elif 27<a<=32:        return 3    else:        return 4
data['BMI']=data['体重指数'].apply(BMI)data['出生年份']=2022-data['出生年份']  #换成年龄#糖尿病家族史"""无记录叔叔或者姑姑有一方患有糖尿病/叔叔或姑姑有一方患有糖尿病父母有一方患有糖尿病
"""def FHOD(a):    if a=='无记录':        return 0    elif a=='叔叔或者姑姑有一方患有糖尿病' or a=='叔叔或姑姑有一方患有糖尿病':        return 1    else:        return 2
data['糖尿病家族史']=data['糖尿病家族史'].apply(FHOD)data['舒张压']=data['舒张压'].fillna(-1)"""舒张压范围为60-90"""def DBP(a):    if a<60:        return 0    elif 60<=a<=90:        return 1    elif a>90:        return 2    else:        return adata['DBP']=data['舒张压'].apply(DBP)data

训练数据/测试数据准备

train=data[data['患有糖尿病标识'] !=-1]test=data[data['患有糖尿病标识'] ==-1]train_label=train['患有糖尿病标识']train=train.drop(['编号','患有糖尿病标识'],axis=1)test=test.drop(['编号','患有糖尿病标识'],axis=1)

构建模型

def select_by_lgb(train_data,train_label,test_data,random_state=2022,metric='auc',num_round=300):    clf=lightgbm    train_matrix=clf.Dataset(train_data,label=train_label)
    params={            'boosting_type': 'gbdt',              'objective': 'binary',            'learning_rate': 0.1,            'metric': metric,            'seed': 2020,            'nthread':-1 }    model=clf.train(params,train_matrix,num_round)    pre_y=model.predict(test_data)    return pre_y

模型验证

test_data=select_by_lgb(train,train_label,test)pre_y=pd.DataFrame(test_data)pre_y['label']=pre_y[0].apply(lambda x:1 if x>0.5 else 0)result=pd.read_csv('提交示例.csv')result['label']=pre_y['label']result.to_csv('baseline.csv',index=False)