最近两个月一直在搞一个数据挖掘的项目，因为之前从来没有搞过这方面的东西，而且自己也只有python的语法基础，只能从零开始学习。这个数据量很大，刚开始给的是一个800兆的数据，后来2.0的版本就升级到了8.5G，真是让人头疼。
本来是一个三人的团队，刚开始的时候大家还在一起讨论怎么建立宽表，怎么分工合作，后来突然要做另一个项目，两个队友就被拉去做java开发了。剩我一个人在研究各种机器学习有关的算法，在这个阶段我是真的感觉到数学基础差对学计算机影响有多大了。像各种算法各种公式我是完全看不懂，我能怎么办，并没有人能教我这些，我只能一个一个百度，看太多的博客了，心酸。
还有各种库，像pandas，numpy，matplotlib，还有sklearn。学习它们我也记不清看多少视频了。
终于我把各种算法原理搞明白了，我就去催学姐给我做数据，学姐看了两天spark，帮我做出来一个缺少字段的数据，30多万条，我就开始我的first try了，过程很曲折，我用了一个决策树，我看到准确率挺高，以为成功了。其实就是lable为0的比例本来就特别大，测试一些数据基本上全是错的。
第二次尝试，我使用的是logistic回归，为了得到一个系数程序跑了两个多小时，因为数据量实在是太大了。最后的效果呢，recall值很高，达到了90%左右，但是误杀了将近1/3，因为最后评判标准是F1-score，所以一折合就感觉这个模型简直就是在瞎蒙。
这个时候真的是绝望，因为这是一个比赛，最后是有提交时间的，所以导师就天天催我，见我一次就问我怎么样了，能不能改进了，总得交点东西上去吧。。我也不知道该怎么办，直到上上周我在车上突然有了一个思路，我马上告诉学姐，让她帮我做一份更完整的数据，学姐答应周日晚上给我。然后上周我感觉五天全部都在补作业，很多很多，没干成活，导师又催我了，我说这个周末尝试重新建立一个模型。
我就想呀，问题肯定出在前期对数据的处理上，于是我就重新整理思路，开始了第三次尝试。
一，对于异常值的处理，我直接把那些空的和NaN的数据删掉，没有用的时间字段也删掉。
二，我做了一个“连续变量离散化”，对每个字段都排序然后分为八组，一~八组重新赋值为1~8。这一步我花了一下午，就是因为刚开始理解错了，以为离散化就是分成0和1。
三，计算每个分组变量与因变量的信息值IV。这里就出现了一个IV公式，很绝望，又看了好多博客。结果出来以后发现预测力挺不错，不敢相信，真的不敢相信，当时只是觉得自己的代码有问题，不过我还是接着建模了。
四，由于lable为1的比例大概是1％，所以将所有的lable为1的数据取出，我用的大概有160条，然后将其他数据随机取出1600条，这样lable为1的比例就下降到10％。然后切分训练集和测试集，我是七三分。
五，我还是用了一个逻辑回归，但是我加上了梯度下降的策略。
就是本着试一试的心态，这时候已经到了周日下午，但是我是真的没想到F1–score达到了惊人的95％，也就是说我的模型非常准，当时我高兴的直接从椅子上蹦起来了，哈哈。
两个月的努力没有白费，继续加油！
