京东赛告一段落。作为一个菜菜鸟，虽然无缘前十，但是也算是有一点小感悟和一些对数据挖掘的认知。毕竟这是第一次接触比较接近实际工程中的数据，而且是时间序列相关的数据。
一. 数据集的划分
在做京东赛的时候，第一眼看到数据集就是懵的，感觉和房屋预测的咋一点都不一样·········训练集也没有，测试集也没有，而且还有好多个表，咋往一块拼呢·········后来看了wepon在天池优惠券核销预测的代码后，才渐渐有了一点思路，在这里感谢wepon大神，代码在这里。
对于我过去接触过的机器学习问题，训练集就是原始数据，测试集就是新数据。我在原始数据和新数据中，挖掘出相同维的特征，区别就是原始数据有标签，而新数据没有标签。用有标签的数据学习出一个模型，再应用到具有相同特征维的没有标签的数据上，预测得到结果。
但对于时序数据来说，就不一样了。
时间序列预测的核心思想是：用过去时间里的数据预测未来时间里的Target。
也就是说，在构建特征的时候，我需要所有的历史数据构建预测特征。有时候，也会有待预测时间段的一些特征，比如在天池的O2O赛中(不过这也是一个leakage，在实际工程中，是不会得到这个数据的)。将历史数据的预测特征，和新数据的一些预测特征结合起来，得到完整的所需要的特征，然后放到模型里面，得到预测结果。
还有一个比较重要的部分就是，负样本的建立。在这里的数据，所有买过的都算是正样本，但是还需要负样本。我这里就是自己造了个负样本。按照1：1的比例，对所有数据，随机进行1-2天的前后移动，然后把这些数据里的错误数据删去（错误数据：在这个时间里有过购买行为的为错误的数据）。由此得到负样本。
有了特征，那我们的target怎么找？
这里我们就要从历史数据中构建target.
一个比较常用的方法就是滑窗。
二. 滑窗与模型构建
通过时间滑窗，人为的构造target，让模型进行学习。也就是对于历史数据，再人为设置历史窗口和未来窗口。怎么做呢？具体示意图如下： 
（图片来源为这里，这篇讲的也挺好的，对我理解时间序列起了很大帮助）
假如有1-6月的历史数据，要预测7月份的销售量
1，2，3月份提取预测特征A，4月份提取预测特征B，并提取预测target，也就是销售量
2，3，4月份提取预测特征A，5月份提取预测特征B，并提取预测的target。
以此类推，以一个月为周期向前滚动。
最后呢，我把所有提取到的特征，也就是每个窗口的预测特征A+预测特征B作为训练集，所有的预测target作为训练集的target。用这些数据训练模型。
（他们之间的连接是按列连接，并非按行连接。也就是说，不管是哪段时间窗口，我提取到的特征维度都是一样的，不同的时间窗口，相当于只是增加了我的训练实例(instance)）
对于新数据，我的输入为（当前例子中）4，5，6月份的预测特征A加上7月份的预测特征B，整体构成特征集合。输入到模型中，得到预测结果。
按我的理解，时间滑窗相当于增加了样本量，并且通过对不同时间段的采样，可以得到更丰富的特征。
三. 特征工程的构建
感觉在数据比赛中，最最关键的还是特征。有时候模型可以稍微弱一点，甚至是单模型，也可以优于xgboost这种提升模型。比如今年的IJCAI中的阿里妈妈算法大赛，夺冠的解决方案就是单模型的·····膜拜一下大神。
在这一块儿还差的很远。而且，京东赛分数不高的原因也是因为特征选的太弱，不够多。但是有几个思路吧：
1. 皮尔森相关系数的应用，可以看看特征和target之间的相关程度。太弱的或者可以直接抛弃。
2. 选择一些强相关性的特征，通过一些个运算啊什么的构造一些新的特征。
3. 结合业务场景，构造一些业务中常用的一些个指标。
4. 对于一些特殊日期的关注。比如电商销售额预测，双十一双十二的数据肯定是异于平常的，此时可以对他进行单独的预测，或者和平时的进行加权，等（这可能是数据预处理阶段的工作）
5. 构建了一系列的特征，其实并非所有的都那么重要，可以对特征进行选择，去掉冗余特征。比如说，可以用xgboost方法或者GBDT这种有feature_importances方法（或者score这种）的，对训练完的模型的特征根据评分的不同进行排序，以此选择一些较好的特征。
大致就是这些了。算法之路，漫漫其修远兮，吾将上下而求索（拽一下·····）。
