机器学习框架
##目录结构
├── LICENSE #许可证
└── README.md #使用说明
#建表
├── create_table.sql #创建基本表
├── add_table.sql #后续增加的表
├── add_index.sql #为表建立索引
├── add_table_31day.sql #建立存储31天数据的表，结构同上
└── add_index_31day.sql #为表建立索引
#数据导入
├── datatoDB.sql #大赛csv格式原始数据导入基本表
└── FeaturetoDB.sql #feature.txt导入对应表
#main
├── __init__.py
├── TrainModel.py #特征提取
├── ObtainPredict.py #生成模型
└── GetFeature31day.py #进行预测
#数据
├── feature.txt #符合某个标准的记录(user_id,item_id,look,store,cart，buy）
├── data_features.txt #feature.txt中记录的n维特征
├── data_features.npy #转为矩阵格式(numpy库)，下同
├── data_labels.txt #feature.txt中记录的label(1/0表示购买/未购买)
├── data_labels.npy
├── feature_pos.txt #feature.txt中所有正例
├── feature_p.npy
├── feature_neg.txt #feature.txt中所有负例
├── feature_p.npy
├── TrainSet.npy #训练集
├── TestSet.npy #测试集
└── 31day_data_features.txt #31天所有数据的n维特征
#结果
├── predict_all_pairs.txt #得到所有预测的userid itemid对
└── filter_pairs.txt #用train_item过滤的userid itemid对
##原理 题目给了31天的数据，我们选择第30天作为分割点。用前30天的数据提取n维特征(每个[user_id,item_id]对可以提取一行特征)，用第31天的真实数据去标记每行特征。
举个例子：某个[user_id，item_id]对[9909811,266982489]在前30天出现，如果在第31天它也出现了且behavior_type为购买，则标记这一行的label为1，否则为0。
这样形成了很多行的特征数据，我们把数据进行Logistic Regression训练，得到一个二分类的模型，这样模型就训练好了。
接下来就是预测，预测的东西就是上面的label，也即模型的输出。label为1表示我们认为用户会购买。那么模型的输入是什么呢？模型的输入就是31天所有数据的特征。
1th~30th————> 31th的label
1th~31th————> 32th的label
因为31th的label数据是已知的，所以可以利用它对训练出来的模型进行评估。而32th的label就是输出结果了。
##建模 模型建立主要采取对特征数据进行Logistic Regression。
现有一组用户在一个月内的移动端数据，我们需要预测他们在后一天购买某件商品的可能性。通过二值分类，我们仅仅能够预测用户是否购买，不同于此的是，现在我们还关心购买的可能性，即：
f(x) = P(+1|x)
取值范围是区间[0,1]。
在二值分类中，我们通过w*x得到一个score后，通过符号运算sign来预测y是+1或-1。而对于当前问题，如果能够将这个score映射到[0,1]区间，问题似乎就迎刃而解了。而问题的关键就是选择映射函数，逻辑斯蒂回归选择的映射函数是S型的sigmoid函数。
f(s) = 1 / (1 + exp(-s))
s取值范围是整个实数域,f(x)单调递增。而逻辑斯蒂回归用
h(x) = 1 / (1 + exp(-wx))
来逼近上面的目标函数。其中,x为要预测的样本,w为训练出的模型向量(w和x的维度相同)。h是算得的样本概率。