文章脉络

• 前言
• 赛题介绍
• 数据信息
• 总体思路
• 数据预处理和特征工程
• 模型选择

• 总结

  1.赛题

  给出用户在商场是使用手机的一些信息，包括用户交易信息，商场内店铺信息等，要求在给出上述信息后精准预测用户所在店铺。具体给出数据可点击赛事官网查看。

2.数据信息

table1、店铺和商场信息表

Table2、用户在店铺内交易表

Table3、评测集

3.总体思路

给出的数据信息比较多，可粗略分为交易发生时间信息，用户个人信息（个人购买力），wifi信息，经纬度信息等几个方面，这些信息在后续都需要经过过滤筛选，提取出关键特征。

4.数据预处理和特征工程

数据预处理

• 删除公共WiFi：如果一个WiFi在一个以上商场出现或者在某个商场覆盖率超过一定范围，那么可以断定此WiFi为噪音信息。
• 删除移动热点或者出现次数较少的WiFi：如果一个wifi出现次数少于某个阈值或者出现时间仅有一天，那么可以断定次WiFi为噪音信息
• 训练集和测试集wifi取交集，因为对于wifi指纹或我们后来构造的wifi特征来说，只在train中出现过或只在test中出现过的wifi都是无用的，甚至可能是噪音。
• 删除WiFi信息为空的记录。

经纬度信息

给了两种经纬度信息，一种是店铺经纬度（固定值），一种是买家付款时的经纬度，两种经纬度理论上差距应该很小，实际部分差距很大。

• 通过对精度的调整做了一个小的离散化处理
• 欧氏距离特征（在商场中随意选择一个点做基准）
• 曼哈顿距离特征（同上）
• 经纬度聚类（效果一般）

时间特征信息

• 划分为工作日和休息日（很小提升）
• 提取出饭点特征（很小）

用户信息特征

• 用户购买力特征
• 用户常去的商店特征
  用户特征的提取，会使得本地验证的分数提高不少，却无法提高在预测集预测精度。原因是因为测试集里的用户更换了绝大多数，训练集、预测集用户交集只有1/3左右，使得在训练集上很有用的特征在测试集上表现不好。还有一个原因是数据统计量均不足，没有统计意义，没有统计意义。

WiFi特征信息

实际上，WiFi特征是最为重要的特征。构建如下特征：
- 当前连接到的最强wifi，转换成规则的话其实是一个极大似然估计，举个例子来说，当我能搜索到的最强wifi是wifi0的时候，在历史上最强wifi是wifi0的时候有80个人在A店铺，5个人在B店铺，10个人在C店铺，那么我最大可能当前在A店铺。这个特征是一个比较强的特征。
- 店铺wifi指纹：根据每个店铺历史上出现过的wifi（频数大于20）和强度建立wifi强度指纹库（字典），训练集、预测集上下concat将所有WiFi id展开为特征，值为当前记录对应WiFi的强度，强度离散化（粒度为10）

模型选择

最开始使用xgb的多分类模型，分mall进行预测，效果不错，但是后续无法上分，后来使用二分类实现多分类，依然分mall进行预测，提升显著。 具体做法是使用N个二分类器，分别对每个mall的每个店铺进行二分类得到一个二分类器，然后对数据进行预测，这样对于每一个二分类器都可以得到一个预测概率值，选取其中预测最大的概率值对应的店铺作为最终分类结果。

总结

以上是选取的比较有代表性的特征，经过不断地尝试，并且在群里潜水学习，看着大佬们的日常操作和表演，学到了很多。