轉載
知識要點：
lubridate包拆解時間 | POSIXlt
利用決策樹分類，利用隨機森林預測
利用對數進行fit，和exp函數還原
訓練集來自Kaggle華盛頓自行車共享計劃中的自行車租賃數據，分析共享自行車與天氣、時間等關係。數據集共11個變量，10000多行數據。
首先看一下官方給出的數據，一共兩個表格，都是2011-2012年的數據，區別是Test文件是每個月的日期都是全的，但是沒有註冊用戶和隨意用戶。而Train文件是每個月只有1-20天，但有兩類用戶的數量。
求解：補全Train文件裡21-30號的用戶數量。評價標準是預測與真實數量的比較。
1.png
首先加載文件和包
library(lubridate)library(randomForest)library(readr)setwd("E:")data<-read_csv("train.csv")head(data)這裡我就遇到坑了，用r語言缺省的read.csv死活讀不出來正確的文件格式，換成xlsx更慘，所有時間都變成43045這樣的怪數字。本來之前試過as.Date可以正確轉換，但這次因為有時分秒，就只能用時間戳，但結果也不行。
最後是下載了"readr"包，用read_csv語句，順利解讀。
因為test比train日期完整，但缺少用戶數，所以要把train和test合併。
test$registered=0test$casual=0test$count=0
摘取時間：可以用時間戳，這裡的時間比較簡單，就是小時數，所以也可以直接截字符串。
data$hour1<-substr(data$datetime,12,13)
統計一下每個小時的使用總數，是這樣（為什麼介麼整齊）：
6-hour1.png
接下來是運用箱線圖，看一下使用者和時間，周幾這些的關係。為什麼用箱線圖而不用hist直方圖，因為箱線圖有離散點表達，下面也因此運用對數求fit
從圖中可以看出，在時間方面，註冊用戶和非註冊用戶的使用時間有很大不同。
5-hour-regestered.png
5-hour-casual.png
4-boxplot-day.png
接下來用相關係數cor檢驗用戶，溫度，體感溫度，溼度，風速的關係。
相關係數：變量之間的線性關聯度量，檢驗不同數據的相關程度。
取值範圍[-1，1]，越接近0越不相關。
從運算結果可以看出，使用人群與風速呈負相關，比溫度影響還大。
接下來就是將時間等因素用決策樹分類，然後用隨機森林來預測。隨機森林和決策樹的算法。聽起來很高大上，其實現在也很常用了，所以一定要學會。
決策樹模型是 一種簡單易用的非參數分類器。它不需要對數據有任何的先驗假設，計算速度較快，結果容易解釋，而且穩健性強，不怕噪聲數據和缺失數據。
決策樹模型的基本計 算步驟如下：先從n個自變量中挑選一個，尋找最佳分割點，將數據劃分為兩組。針對分組後數據，將上述步驟重複下去，直到滿足某種條件。
在決策樹建模中需要解決的重要問題有三個：
如何選擇自變量
如何選擇分割點
確定停止劃分的條件
做出註冊用戶和小時的決策樹，
train$hour1<-as.integer(train$hour1)d<-rpart(registered~hour1,data=train)rpart.plot(d)
3-raprt-hour1.png
然後就是根據決策樹的結果手動分類，所以還滿佔代碼的...
train$hour1<-as.integer(train$hour1)data$dp_reg=0data$dp_reg[data$hour1<7.5]=1data$dp_reg[data$hour1>=22]=2data$dp_reg[data$hour1>=9.5 & data$hour1<18]=3data$dp_reg[data$hour1>=7.5 & data$hour1<18]=4data$dp_reg[data$hour1>=8.5 & data$hour1<18]=5data$dp_reg[data$hour1>=20 & data$hour1<20]=6data$dp_reg[data$hour1>=18 & data$hour1<20]=7
同理，做出 （小時 | 溫度） X （註冊 | 隨意用戶） 等決策樹，繼續手動分類....
3-raprt-temp.png
年份月份，週末假日等手動分類
data$year_part=0data$month<-month(data$datatime)data$year_part[data$year=='2011']=1data$year_part[data$year=='2011' & data$month>3]=2data$year_part[data$year=='2011' & data$month>6]=3data$year_part[data$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$weekend=0data$weekend[data$day=="Sunday"|data$day=="Saturday"]=1
接下來用隨機森林語句預測
在機器學習中，隨機森林是一個包含多個決策樹的分類器， 並且其輸出的類別是由個別樹輸出的類別的眾數而定。
隨機森林中的子樹的每一個分裂過程並未用到所有的待選特徵，而是從所有的待選特徵中隨機選取一定的特徵，再在其中選取最優的特徵。這樣決策樹都能夠彼此不同，提升系統的多樣性，從而提升分類性能。
ntree指定隨機森林所包含的決策樹數目，默認為500，通常在性能允許的情況下越大越好；
mtry指定節點中用於二叉樹的變量個數，默認情況下數據集變量個數的二次方根（分類模型）或三分之一（預測模型）。一般是需要進行人為的逐次挑選，確定最佳的m值—摘自datacruiser筆記。這裡我主要學習，所以雖然有10000多數據集，但也只定了500。就這500我的小電腦也跑了半天。
train<-dataset.seed(1234)
這裡不知道怎麼回事，我的day和day_part加進去就報錯，只有刪掉這兩個變量計算，還要研究修補。
然後用exp函數還原
train$registered<-exp(train$logreg)-1
最後把20日後的日期截出來，寫入新的csv文件上傳。
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)
大功告成！
github的代碼加群
原來的示例是煉數成金網站的kaggle課程第二節，基本按照視頻的思路。因為課程沒有源代碼，所以要自己修補運行完整。歷時兩三天總算把這個功課做完了。下面要修正的有：
好好理解三個知識點（lubridate包/POSIXlt，log線性，決策樹和隨機森林）；
用WOE和IV代替cor函數分析相關關係；
用其他圖形展現的手段分析
隨機樹變量重新測試
學習過程中遇到什麼問題或者想獲取學習資源的話，歡迎加入學習交流群
626062078，我們一起學Python！