/ai-challenger2018-weather-forecast

Python code for challenger.ai 2018 weather forecasting competition, including data pre-processing and XGBoost model.

Primary LanguageJupyter Notebook

AI-Challenger 2018 天气预报赛道

队伍名称：LoganLin

代码说明

环境配置

  1. 编程语言: Python3.6
  2. 机器学习框架：XGBoost
  3. 调用的库：
  • numpy 1.15.1
  • pandas 0.23.4
  • netCDF4 1.4.1

代码文件结构说明

Python文件

  • load_data.py

读取原始数据，并转换为pd.DataFrame。

  • generate_set.py

生成能送入XGBoost的训练数据与预测数据。

  • train_xgb.py

训练XGBoost模型，并存入模型文件

  • xgb_predict.py

使用训练完成的XGBoost模型进行预测，并生成提交文件。

Jupyter Notebook

  • gen_train_data.ipynb

生成指定时间段的训练数据。

  • eval_xgboost.ipynb

网格化搜索XGBoost最佳参数。

  • train_xgboost.ipynb

训练XGBoost模型。

  • xgb_predict.ipynb

使用XGBoost模型进行预测。

训练代码的使用说明

训练模型前，首先需要生成训练数据。可使用generate_set.combine_periods函数。

函数的使用可参考gen_train_data.ipynb中的写法。

生成完毕后使用pickle.dump()函数将数据保存为文件。

训练新的数据集时，我会先用网格搜索计算模型的最佳参数。可使用train_xgb.gen_best_parameters函数。

参考eval_xgboost.ipynb中的写法。

读取计算得到的参数，使用train_xgb.train_all_xgb函数，即可训练一组模型。

参考train_xgboost.ipynb中的写法。

测试代码的使用说明

使用generate_set.generate_x_oneday函数可生成提交一次预测需要的输入特征数据。

随后调用xgb_predict.xgb_predict_all函数读取模型文件，生成预测结果。

最后调用xgb_predict.construct_submission函数可对预测结果进行规范化，并生成提交结果所需的文件。

参考xgb_predict.ipynb中的写法。