来个说走就走的数据旅行（天池大赛）

竞赛题目 
在真实的业务场景下，我们往往需要对所有商品的一个子集构建个性化推荐模型。在完成这件任务的过程中，我们不仅需要利用用户在这个商品子集上的行为数据，往往还需要利用更丰富的用户行为数据。定义如下的符号：

U——用户集合
I——商品全集

P——商品子集，P ⊆ I
D——用户对商品全集的行为数据集合

那么我们的目标是利用D来构造U中用户对P中商品的推荐模型。

数据说明
竞赛数据包含两个部分。第一部分是用户在商品全集上的移动端行为数据（D）,表名为tianchi_mobile_recommend_train_user，包含如下字段：

字段	字段说明	提取说明
user_id	用户标识	抽样&字段脱敏
item_id	商品标识	字段脱敏
behavior_type	用户对商品的行为类型	包括浏览、收藏、加购物车、购买，对应取值分别是1、2、3、4。
user_geohash	用户位置的空间标识，可以为空	由经纬度通过保密的算法生成
item_category	商品分类标识	字段脱敏
time	行为时间	精确到小时级别

 第二个部分是商品子集（P）,表名为tianchi_mobile_recommend_train_item，包含如下字段： 

字段	字段说明	提取说明
item_id	商品标识	抽样&字段脱敏
item_ geohash	商品位置的空间标识，可以为空	由经纬度通过保密的算法生成
item_category	商品分类标识	字段脱敏

训练数据包含了抽样出来的一定量用户在一个月时间（11.18~12.18）之内的移动端行为数据（D），评分数据是这些用户在这个一个月之后的一天（12.19）对商品子集（P）的购买数据。参赛者要使用训练数据建立推荐模型，并输出用户在接下来一天对商品子集购买行为的预测结果。 

评分数据格式
具体计算公式如下：参赛者完成用户对商品子集的购买预测之后，需要将结果放入指定格式的数据表（非分区表）中，要求结果表名为：tianchi_mobile_recommendation_predict，包含user_id和item_id两列（均为string类型）,要求去除重复。例如：

初赛数据
初赛阶段提供10000用户的完整行为数据以及百万级的商品信息；训练和预测的数据将会在4月20日进行一次切换（即切换为另一批10000用户的数据）。

决赛数据
决赛阶段提供500万用户的完整行为数据以及千万级的商品信息。

评估指标
比赛采用经典的精确度(precision)、召回率(recall)和F1值作为评估指标。具体计算公式如下：

其中PredictionSet为算法预测的购买数据集合，ReferenceSet为真实的答案购买数据集合。我们以F1值作为最终的唯一评测标准。

一.特征提取
1、训练样本的生成
1.1当你觉得那个数据可能对购买有影响时，孤立出该数据作为自变量，拿购买行为作为因变量，统计画图分析他们之间的关系，如果因变量受自变量的波动而波动，说明这个数据对购买有影响；
1.2通过分析，已经确认哪些数据可以作为特征，在此，应该对特征进行标准化，对于比例类特征，可以使用拉普拉斯平滑；对特征分布较大，可以考虑映射到一定范围，致使各特征命中相似，从而保证特征的有效性；
1.3可以得出很多数据对结果有影响，那么这些数据就是所谓的特征，但很多数据之间是等价或类似的，也就是说特征的相关性很大；如果把这些分析得出的特征都作为训练样本特征的话，往往导致过拟合；因此有必要对这些特征进行相关性分析，对相关性很高的特征，可以去掉一些，使选择的特征让结果的置信度保证在95%（或其他）；也就是所谓的主成分分析PCA或K-L降维；链接提供R语言很好的PCA工具：http://www.cnblogs.com/wentingtu/archive/2012/03/03/2377971.html；
1.4通过PCA或K-L降维，会提取出较好的特征组合，生成样本，拿周期预测的天的购买作为label，这样就生成了训练样本；
2、特征好坏的评判
2.1A/B测，生成的训练样本中，B模型相对A模型多加待评价特征，然后通过A模型和B模型对同样的数据进行预测，得出预测结果，比较A/B模型预测结果，进而评价待评价特征；
2.2 然后根据特征的好坏决定特征的去留，通过AB测的方法，不断的加入有效的特征；

二.模型选择
1.根据样本的分布，选择模型；
2.本比赛中，正负样本满足独立同分布，因此可以选择LR模型；
3.采用的训练算法是FTRL，特征为hash特征，sid标识某一类特征，brandid标识该特征的具体值，通过sid和brandid构建hash特征；预测时，能找到该hash特征，则为1，找不到，则为0,；
三.模型分析
1、模型评价指标：AUC、RUC、准确率、召回率、F1、、、