实验记录

整理者：Ai
项目分三大模块开展：EDA、数据预处理及模型。

一、EDA

此块后续补充。

二、数据预处理

截止到2020.11.11，data_preprocess.ipynb已更新至第4版，当前最新版本实现的预处理手段如下：

1. 时间格式转换：将DOTTING_TIME原格式转为UNIX时间格式(eda.ipynb已做)
   
2. 处理数据缺失
   
3. 处理重复样本
   
4. 特征工程1：把‘CU’队列规格与'CPU_USAGE'和'MEM_USAGE'结合得到'USED_CPU'已用CPU量和‘USED_MEM’已用内存量
   
5. 特征工程2：差分‘时间间隔’和‘其它连续型特征’
   
6. 特征工程3：在每个时间点的样本特征中，加入历史5个时间间隔的特征值
   
7. 特征工程4：加入行内统计特征，即考虑2/3/4/5阶的历史平均值,最大值,最小值,标准差
   
8. 类别型变量独热编码

之前尝试过几个预处理手段，透过模型表现，得到以下一些结论：

1. LightGBM没必要对连续型变量使用标准化。因为树模型不是利用SGD进行收敛优化，且LGBM利用特征直方图寻找最优特征及分裂点时，只关注取值顺序，值标准化不影响各样本的取值顺序，所以不需要。我试过训练集和测试集合并后，不分队列标准化和分队列标准化，结果都不是特别理想，其中分队列标准化得分更低，原因分队列标准化是在一个相对较小的样本空间内进行的，使得标准化结果不全面，比如内存使用率正常是0-100，而有些队列内存使用率最高是50，而其他队列有达到100的，这样前者队列标准化和后者标准化就不一样，可模型参数是队列共享的，这样的话，数据和模型参数没有保持好的一致性，导致最后模型表现较差。这是一个失败的尝试，但总的来说，树不需要标准化。而如果使用其他需要标准化数据的模型，一定要考虑数据和模型参数共享的一致性。
   
2. LightGBM没必要对类别型变量使用哑变量化，只要独热编码即可。关于结论1和2，相见知乎：用lightgbm建模时，标签编码后的类别型特征还需要归一化吗？还是只需要对连续型特征做归一化呢？。
   
3. 正在提交数全置0的提交结果更好。原因可能是由于正在提交数在测试集分布多为0，所以全部置零处可以取得较好的结果，如果再靠训练对ljn(指LAUNCHING_JOB_NUMS)得分可能性价比不是很高。所以当前可以暂时考虑将ljn直接置零，只进行cpu进行针对性的训练和预测。
4. 预测目标为T+5的值，没有使用T+1,T+2，...,T+5作为预测目标好。原因前者是只通过一个模型，预测当前样本时间点下，未来第25分钟的值，其实时间跨度有些大，模型误差也因此变大。而通过5个模型，分别预测未来5/10/15/20/25分钟下的值，模型效果会更好，简单来说，就是说从近到远的时间点我都有专门的模型去预测，这样显而易见地将准确度提高了，但缺点是模型多了。

由于最新的data_preprocess4.ipynb把当前能考虑的预处理方法都放进去了，所以最后完整运行后，特征数会很多。个人建议从无到有去依次使用不同预处理手段下的数据去训练模型，若模型表现不错则进一步添加新的预处理手段。消融实验汇总记录如下：

2020.11.12

1. 预处理实验1主要是想研究特征工程3-特征工程4-行内特征(单5阶)：

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
1	直接清除数据缺失，不处理重复样本，特征工程3-4(单5阶)	41.70/2.40	0.29023	2020.11.13	v3

注：“时间格式转换”，"排序后去除时间特征DOTTING_TIME", "特征工程1"和“类别型数据独热编码”是全部实验都必须使用的。这里不进行特征工程2
总结：说明行内描述性统计特征很有帮助。

2020.11.13

1. 预处理实验2主要是想研究特征工程4-行内特征(2-5阶)：

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
1	直接清除数据缺失，不处理重复样本，特征工程3-4(单5阶)	41.70/2.40	0.29023	2020.11.13	v3
2	直接清除数据缺失，不处理重复样本，特征工程3-4(2-5阶)	42.01/2.41	0.29074	2020.11.13	v4

注：这里不进行特征工程2
总结：说明行内描述性统计特征-多阶提升不大。

2020.11.14

1. 预处理实验3主要是想研究特征工程2(单5阶)-特征工程3-特征工程4-行内特征(单5阶)：

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
1	直接清除数据缺失，不处理重复样本，特征工程3-4(单5阶)	41.85/2.40	0.29009	2020.11.14	v
2	直接清除数据缺失，不处理重复样本，特征工程2(单1阶)，特征工程3-4(单5阶)	37.35/2.29	0.14259	2020.11.14	v
3	直接清除数据缺失，不处理重复样本，特征工程2(单5阶)，特征工程3-4(单5阶)	37.21/2.29	0.14069	2020.11.14	v
4	直接清除数据缺失，不处理重复样本，特征工程2(时间特征1-5阶，其他特征单5阶)，特征工程3-4(单5阶)	37.02/2.29	0.13952	2020.11.16	v
5	直接清除数据缺失，不处理重复样本，特征工程2(其他特征1-5阶)，特征工程3-4(单5阶)	37.17/2.29	0.15799	2020.11.16	v
6	直接清除数据缺失，不处理重复样本，特征工程2(时间特征1-5阶)，特征工程3-4(单5阶)	41.64/2.40	0.26942	2020.11.16	v
7	直接清除数据缺失，不处理重复样本，特征工程2(时间特征单5阶)，特征工程3-4(单5阶)	41.48/2.39	0.26896	2020.11.18	v

注：这里进行特征工程2
总结：1.引入差分五阶特征后，应该是产生了过拟合现象。2.也可能是其他特征的不平滑造成，给机器学习模型带来噪声，因为不添加其他差分特征后，评分还是较高
思考：如果是由于过拟合导致，采用格子搜索的方法去寻找最优的减轻过拟合的参数，而这里找到的最优很可能会是过拟合的最优。为什么引入甚至少量的其他差分特征会导致精度的大幅降低。

2020.11.15

1. 听完华为官方赛题讲解，有几点需要关注下：

• “云环境下采集数据存在噪声，虽然发生比较少，但噪声可能比较大”。这种噪声很难衡量，后续可以考虑训练时引入额外噪声增加模型通用性看看。
• “CU绝大部分是静态信息，但不排斥云服务提供方对用户队列进行扩容”。这点跟EDA的结果是一样的。
• “B榜的数据被包含于现有训练集中”。这样我们后续切B榜，以队列-level的训练方式是可以应对的。
• “采集异常导致DOTTING_TIME一样，其他不一样”。
• “采集的状态是指一个周期下相同状态的数量之后，任务数是根据前后时间戳内的变化量统计得到的”。所以时间间隔特征重要，它反映了数据是在多长时间下统计得到的，这个在特征工程2，我们就有加入了。

2. 听完鱼佬分享直播，有几点需要关注下：

• “CPU使用率提高，内存使用率下降，磁盘使用率上升”。这个跟我们EDA相关性热图分析结果是一致的，我认为的业务解释是CPU使用率变高，内存会溢出，所以内存使用率下降了，然后原内存溢出的部分内容被释放（移除或存入）磁盘，因此最后磁盘使用率上升。
• “时间序列特征常见有四点特征需要注意：周期性、趋势性、强相关性及异常点。从周期性考虑，像日期变量可以拆分为年/月/周/日/小时/分钟，像距离某天的时间差。从异常点考虑，是否某个特殊日期，时间组合。但该赛题关注趋势性和强相关，要结合时序相关特征（历史平移，划窗特征）”。这块跟我们前期的思路是一致的。
• “划窗特征统计时使用了mean,std,max,min,median,np.ptp。可以考虑些交叉统计”。交叉统计特征？这块我们或许可以深挖下。
• “模型融合分三块考虑：
  理论分析：特征差异 + 样本差异 + 模型差异。样本差异可以行/列采样。更细的分为5个：样本扰动，不同特征组，输出转换，参数调整，loss函数选择。
  训练过程融合：Bagging + Boosting
  训练结果融合：投票法 + 平均法 + Stacking”。
• Datawhale开源代码中有对xgb,lgb和cat模型有训练代码，具有参考价值。

3. 实验4主要是想研究保留含缺失值的特征：

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
2	直接清除数据缺失，不处理重复样本，特征工程3-4(2-5阶)	42.01/2.41	0.29074	2020.11.13	v4
4	不处理数据缺失，不处理重复样本，特征工程3-4(2-5阶)	41.99/2.41	0.29279	2020.11.15	v5

注：实验4的数据缺失处理：直接删除'RESOURCE_TYPE'，用0填补'DISK_USAGE'的缺失值。
总结：做实验4的目的在于：之前eda.ipynb发现了'DISK_USAGE'与CPU使用率的相关性，而之前实验卻因它存在缺失值而直接删除它，这有些得不偿失。由于eda.ipynb得到含缺失值特征的队列（[297, 298, 20889, 21487, 21671, 21673, 81221, 82695, 82697, 82929, 83109, 83609]），为什么训练时我们不让：无缺失值队列模型使用全部特征进行训练，而含缺失值队列模型不使用缺失值特征训练呢？实验4实验该想法后证实其能获得不少提升，说明对DISK_USAGE的加入能有效提高模型表现，后续建议考虑合理的缺失值填补方式去将所有队列模型都能加入DISK_USAGE进入训练中。有预感这会是个涨分点。

4. 实验5主要是增加了行内特征-中位数和ptp(‘peak to peak’即最大值-最小值)：

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
4	不处理数据缺失，不处理重复样本，特征工程3-4(2-5阶)	41.99/2.41	0.29279	2020.11.13	v5
5	在实验2基础上增加中位数和ptp	41.79/2.41	0.29074	2020.11.15	v6

总结：与实验3一样，应该是出现了过拟合，所以当前模型继续避免过拟合。另外，在做此实验中，我觉得可以考虑偏度系数和峰度系数，去描述近期的连续性特征分布情况，即趋势性。但也得是基于滑窗，滑窗大小应该依赖于连续型变量的可视化结果去判定（有待补充）。
另外，根据跟其他朋友沟通，先平滑处理原数据后再差分或做描述性特征可能可以减缓模型过拟合。这个值得一试。补充：2020年11月22日实验20已实验，效果不好。

2020.11.16

1. 实验6主要是增加了删除队列下单一值的类别型特征：

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
4	不处理数据缺失，不处理重复样本，特征工程3-4(2-5阶)	41.99/2.41	0.29279	2020.11.13	v5
5	在实验2基础上增加中位数和ptp	41.79/2.41	0.29074	2020.11.15	v6
6	在实验5基础上删除队列下单一值的类别型特征	11.50/0.86	0.0	2020.11.16	v7

注：队列下单一值的类别型特征为’STATUS‘,'QUEUE_TYPE'和’PLATFORM‘相关特征。
总结：该实验在线上分数极好，但线上成绩很差。参考2020.11.14做的系列实验，我们可以总结当前模型出现的一个问题就是：模型在验证集上表现好，但实际测试集效果差。基于知乎问答:为什么在验证集和测试集上AUC都比较高，而实际预测效果AUC偏低？，SunSuc的回复能解答我们的疑惑，有两种可能：
(1) 特征分布不同。时序相关特征带来的特征穿越会让模型线下效果好，线上效果差。另外，时间的推移，分布发生很大的变化。参考我们的数据，确实存在特征穿越的问题，而且要注意，不是说训练和测试集中所用队列一样就分布一样了，因为数据采集时间段不一样会带来分布不一致，举个例子，在我实际工作中，队列在夜间的资源调度活动就比较低频，而白天就高频。若训练集是白天采集的数据，而测试集是夜间采集数据，那分布不一致就会带来，像我们现状模型出现的问题，训练集和验证集都是同一时段下的数据，然后模型表现很好，可换成了测试集，分就掉的很厉害。推荐的解决方法有：
(1.1) 通过一些特征变换使分布保持一致（暂无思路，训练集和测试集同一标准化？）。
(1.2) 引入引起分布不一致的特征，例如DOTTING_TIME里的 小时（我昨晚又看了下官方赛题解说视频，发现在问题解答时，华为工程师有特意说测试集的时间里年月日是脱敏处理过的，而时分秒是真实的，我觉得我们可以利用起来）。
(2) 模型过拟合。我们在实验中发现模型是确实存在过拟合的，但手调了模型参数，并没改变。可能原因我们得从两个角度去看：
(2.1) 模型参数上，我们之前是默认自己设置的一些初始化参数，例如early_stopping_rounds=25，n_estimators=10000，subsample=0.9，可能这些参数本身设置就带来的极大的过拟合，比如early_stopping_rounds是根据验证集分数早停的，该数值越大越过拟合。n_estimators也是越大越过拟合，所以前期这些参数没设置对，后续再怎么避免过拟合，可能效果也不好。
(2.2) 特征没处理好。我们的特征工程是很粗暴的，导致特征里会有三类特征：冗余无用特征(例如STATUS, QUEUE_TYPE和PLATFORM相关的队列下单一值特征)，泛化能力弱的特征/标识性强的特征（例如行内的多阶描述性统计特征和差分特征），真正有价值的泛化特征（有待挖掘）。那么，上面三类对模型的影响，我们其实基本都做过实验得到一些结论了，如下所示：
(2.2.1) 冗余无用特征：2020.11.16的实验6就是研究该类特征，我们发现加上它们比去掉它们，线上更好些，因为我们模型过拟合了，有冗余无用特征可以在一定程度上缓解过拟合，但这不是很好的手段，因为带来了额外的计算资源开销。后续希望能去掉冗余无用特征的同时，模型还能不掉分。
(2.2.2) 泛化能力弱的特征/标识性强的特征：2020.11.14做的系列实验和实验5都多少有这些特征的参与，我们需要对行内统计特征和差分特征做减法（即特征选择），或者挖掘其它真正有价值的泛化特征。

2020.11.18

1. 实验7主要是增加了当前时间点的 小时 特征：

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
4	不处理数据缺失，不处理重复样本，特征工程3-4(2-5阶)	41.99/2.41	0.29279	2020.11.13	v5
7	在实验4的基础上增加了 小时 特征	39.36/2.34	0.30249	2020.11.18	v8

总结：提升明显！证实了2020.11.16关于特征分布不同的假设，想法得到的验证：小时特征的引入能避免分布不同带来的模型损害。

2020.11.19

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
8	在实验7的基础上将模型替换成catboost	4.09/2.34	0.29257	2020.11.19	v9
9	在实验7的基础上初步随机森林预测disk	39.60/2.34	0.25551	2020.11.19	v10
10	在实验7的基础上初步改进随机森林预测disk	39.67/2.34	0.30122	2020.11.19	v11

2020.11.20

1. 实验11主要是改进了随机森林预测缺失值模型：

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
7	在实验4的基础上增加了 小时 特征	39.36/2.34	0.30249	2020.11.18	v8
10	在实验7的基础上初步改进随机森林预测disk	39.67/2.34	0.30122	2020.11.19	v11
11	在实验10的基础上完善了随机森林预测disk	39.37/2.34	0.30262	2020.11.20	v12

2. 实验12-14主要是引入了峰度和偏度：

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
12	在实验7的基础上修改了行内中diff_num+1,加入峰度和偏度(单5阶)	37.96/2.31	0.30388	2020.11.20	v13
13	在实验7的基础上,加入峰度和偏度(单5阶)	39.74/2.35	0.30395	2020.11.20	v14
14	在实验7的基础上,加入峰度和偏度(2-5)阶	40.10/2.36	0.30476	2020.11.20	v15

总结：随机森林预测缺失值并不能带来明显提升，暂时不考虑加入该方法。可能是预测还是不太准，因为随机森林线下MSE大概为0.18-0.24之间。峰度和偏度引入有利于提高分数。但涨分不大。

2020.11.21

1. 实验15主要是修正及完善特征工程4：

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
14	在实验7的基础上,加入峰度和偏度(2-5)阶	40.10/2.36	0.30476	2020.11.20	v15
15	在实验14上修正及完善特征工程4	36.99/2.27	0.31467	2020.11.21	v17

总结：实验15的数据预处理代码做了以下修正及完善：

• 增加1-4阶小时及分钟特征，而不是但用1阶小时特征。
• 修正了多阶行内统计特征，原来顺序错了，因为feat_5才是样本的当前时间点的特征值，而feat_1是历史前第4个的时间点值。
• 补充了最近时间点的一阶斜率。
  

实验说明：对于时间特征的挖掘十分重要，能有效解决分布不一致带来的模型损害。

2. 实验16主要是预测cpu_x过程中，将cpu_x-1预测值加入训练：

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
15	在实验14上修正及完善特征工程4	36.99/2.27	0.31467	2020.11.21	v17
16	在实验15上修改了预测方式	30.57/2.11	0.30782	2020.11.21	v17

总结：实验16的思路可能由于上一次cpu_usage的预测值的加入而产生了误差累计，从而模型表现不好。

3. 实验17-18主要是加入比值特征：

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
15	在实验14上修正及完善特征工程4	36.99/2.27	0.31467	2020.11.21	v17
17	加入三种比值特征	36.98/2.27	0.31404	2020.11.21	v18
18	只用最重要的一种比值特征	37.03/2.28	0.31432	2020.11.21	v19

总结：在蚂蚁金服-支付风险识别亚军方案ppt中提到，当数据集存在特征分布差异，构造一些比值特征能更好的使其在两个集合上面保持一致。思考下来，个人感觉也是这样，就是比起标识性强的绝对值特征(例如差分特征)，相对性的比值特征更具有通用性，然后结合之前提到的"CPU使用率提高，内存使用率下降，磁盘使用率上升"，实验17构造了下列三种比值特征：

• USED_CPU_MEM_RATIO_{i} = USED_CPU_{i} / USED_MEM_{i}
• CPU_MEM_RATIO_{i} = CPU_USAGE_{i} / MEM_USAGE_{i}
• MEM_DISK_RATIO_{i} = MEM_USAGE_{i} / DISK_USAGE_{i}

在模型训练后，我还打印特征重要性，发现：USED_CPU_MEM_RATIO_{i}特征重要性很高，但分数没有明显涨点。因此后续把CPU_MEM_RATIO_{i}和MEM_DISK_RATIO_{i}删去加入模型中看看。没给A榜分数带来正收益，但减少不必要的冗余比值特征缺失有些用，还增加了模型的通用性。可能有利于B榜，但目前暂时不考虑加入比值特征。

2020.11.22

1. 实验19主要是考虑加权平均特征：

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
15	在实验14上修正及完善特征工程4	36.99/2.27	0.31467	2020.11.21	v17
19	修改行内平均特征为加权平均特征	37.10/2.28	0.31658	2020.11.22	v19

总结：受知乎文章如何在第一次天池比赛中进入Top 5%（一）的启发，原本简单的平均并不太符合时序数据的特征，我们基于历史时序对未来判断时，明显会对靠近当前时间点的数据给予给大权重，因此实验19我就简单地修改行内平均特征为加权平均特征，涨分不明显，主观手工权重设置如下：

阶数	feat_1	feat_2	feat_3	feat_4	feat_5
1	-	-	-	0.3	0.7
2	-	-	0.1	0.2	0.7
3	-	0.05	0.1	0.15	0.7
4	0.055	0.07	0.075	0.1	0.7

2. 实验20主要是加入了幂函数加权平滑数据及平滑数据的特征工程：

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
19	修改行内平均特征为加权平均特征	37.10/2.28	0.31658	2020.11.22	v19
20	幂函数加权平滑数据+平滑数据的特征工程	36.88/2.27	0.30869	2020.11.22	v21
20.1	在实验20基础上做TOP200特征选择	42.89/2.44	未提交	2020.11.22	v21
20.2	在实验20基础上做TOP250特征选择	42.66/2.43	未提交	2020.11.22	v21
20.3	在实验20基础上只保留平滑时间特征统计特征	37.18/2.28	0.31338	2020.11.22	v21

注：幂函数的底为0.7。

总结：鱼佬最新开源的代码方案大数据时代的Serverless工作负载预测Baseline，线上0.29中，对原始数据进行了幂函数的5阶加权平滑，基于他的思路，我们也进行了5阶加权平滑，同时，还对加权平滑后的特征进行了行内描述性统计特征工程。实验掉分了，猜测可能是特征数从200多增加到了400多，导致模型过拟合了。后续也进行特征选择看看，去除相关性不大的特征，但线下结果并不好就没有提交。另外，我怀疑平滑后时间序列的特征平滑过分了（这里幂函数的底为0.7），然后尝试了只保留平滑时间特征统计的行内特征，但结果没有明显提升，后续若要继续实验该想法，建议改变幂函数看看。

3. 实验21主要是考虑加权行内特征：

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
19	修改行内平均特征为加权平均特征	37.10/2.28	0.31658	2020.11.22	v19
21	对所有行内统计特征都手工加权	37.4/2.28	未提交	2020.11.22	v22

注：实验15只对mean使用了加权，而实验21对max,min,std,mean,skew,kurt做了加权。
总结：并不是加权都适用于所有统计特征，比如像max,min,std,skew,kurt，它们保持真实值更能客观反映数据情况。

4. 实验22主要是将LJN预测出来并合并CPU预测结果：

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
19	LJN置0	37.10/2.28	0.31658	2020.11.22	v19
22	预测LJN	-/-	0.30773	2020.11.22	v23

总结：相比于预测LJN来说，全部置0，线上分数更高，原因暂不清晰，可能是分布不一致导致。

2020.11.23

1. 实验23-24主要是缺失值预测模型：

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
23	在实验15上针对全部队列预测disk	36.87/2.27	未提交	2020.11.23	v24
24	在实验19上针对全部队列预测disk	36.92/2.27	0.31374	2020.11.23	v25

2. 实验25主要是TimeSeriesSplit：

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
19	KFold	37.10/2.28	0.31658	2020.11.22	v19
25	TimeSeriesSplit	70.92/3.38	0.09767	2020.11.23	v25

总结：Kaggle M5 沃尔玛销量时间序列预测 竞赛总结提到“一般的tabular data是通过随机划分的办法划分训练集、验证集和测试集。但对于时序数据来说。这样的做法会导致“时间穿越”问题，“时间穿越”本质上是一种data leakage，会导致严重的过拟合问题。因此必须根据时间顺序来划分训练/验证/测试集。”，基于此，采用了imeSeriesSplit的划分数据集，但结果并不好，原因可能是测试集并不是单纯取自与训练集后的数据，因此这种划分方式没有给模型带来提升。

3. 实验26主要是统一了训练集和测试集，且增加特征TO_RUN_JOBS，设置反过拟合参数:

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
19	实验19	37.10/2.28	0.31658	2020.11.22	v19
26	统一了训练集和测试集，且增加特征TO_RUN_JOBS，设置反过拟合参数	38.64/2.39	0.31916	2020.11.23	v26

总结：CCF工作负载预测Baseline-CNN-LSTM中有两个操作我们没做：

• 删除掉训练集数据中不存在的测试集类别的样本（即STATUS，PLATFORM，RESOURCE_TYPE，例如train = train[train.STATUS == 'available']），避免训练和测试数据的分布不一致。
• 第二步增加特征：train['to_run_jobs'] = train['LAUNCHING_JOB_NUMS'] - train['RUNNING_JOB_NUMS']。

除了以上这两步，我还发现历史实验有过拟合线性，所以我就加了'early_stopping_rounds':10,'subsample':0.8,'feature_fraction':0.75,'bagging_fraction': 0.75,'reg_lambda': 10这些参数，然后实验表现得到了提升。

2020.11.24

1. 实验27主要是单队列缺失值预测模型：

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
27	在实验19上针对单队列预测disk	36.92/2.27	0.31246	2020.11.24	v27

总结：由于PLATFORM非vm的样本都缺失了disk，所以当我们跟实验26采用过滤样本的预处理方式，会过滤掉所有缺失disk的样本，因此，在这里为缺失disk样本做缺失值预测模型并没有很大的实用价值。但训练缺失值模型是个很好的实践，能为之后比赛奠定基础。

2020.11.25

1. 实验28主要是单队列缺失值预测模型且生成行内特征：

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
28	在实验26上针对单队列预测disk并生成行内特征	10.30/0.79	0.000001	2020.11.25	v28

总结：这是在特征工程三后进行了disk_usage1到5的预测，然后通过特征工程四生成行内特征，但通过mse和score很容易看出发生了过拟合。引入disk的行内特征容易使得模型发生过拟合。

2020.11.27

1.下面的实验都是基于lstm模型

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
1	第一版lstm模型	loss:0.0038	0.1813	2020.11.27	v1
2	在1的基础上粗调了lstm网络	loss:0.0037	0.2290	2020.11.27	v2
3	在2的基础上加了两个dropout	loss:0.0048	0.2100	2020.11.28	v3

总结：这个时候的特征数仅仅为十几个，且有一阶差分特征，接下来可以应用前面我们处理过的特征放入模型训练，然后改进我们的lstm模型。

2020.12.02

1.由于lstm提分很慢，技巧性很高，做了大量实验不见成效，所以我们再次回归lgb

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
1	直接用cu,五阶差分cpu mem和job num，然后把原始的特征放进去做flatten	39.64/2.43	0.2859	2020.12.2	v1
2	在1的基础上加上一阶cpu mem差分，然后删除succ和lau	39.64/2.43	0.2860	2020.12.2	v2
3	在2的基础上加上cpu mem环比	39.77/2.43	未提交	2020.12.3	v3
4	在3的基础上加上flatten后cancel与fail数之差	39.84/2.43	未提交	2020.12.3	v4
5	在最高分的基础上加上cancel与fail数之差	38.80/2.39	0.31904	2020.12.4	v5
6	在5的基础上加上cpu mem环比	38.90/2.39	未提交	2020.12.4	v6
7	在最高分的基础上加上一阶和五阶cpu mem差分	37.24/2.34	未提交	2020.12.4	v7

注：由于机器差异，实验5应该是有涨的，对比前面该机器跑出的最高分mse和score。

2020.12.02

1. 实验29是主要是研究全队列-level, CU-level和单队列-level的模型:

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
26	单队列-level	38.64/2.39	0.31916	2020.11.23	v26
29-1	全队列-level	29.16/2.12	0.29949	2020.12.02	v26
29-2	CU-level	28.55/2.01	0.30424	2020.12.03	v27
29-3	上述3个模型结果融合	-/-	0.31472	2020.12.03	v27

总结：模型融合没有带来明显提升。

2020.12.03

1. 实验30是主要是研究特征CANCELLED_JOB_NUMS-FAILED_JOB_NUMS:

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
26	单队列-level	38.64/2.39	0.31916	2020.11.23	v26
30	加入新特征cancel_fail	38.70/2.39	0.32093	2020.12.3	v28

2020.12.04

1. 实验31主要是对现有特征做减法：

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
30	加入新特征cancel_fail	38.70/2.39	0.32093	2020.12.3	v28
31_1	去掉1阶行内特征	38.94/2.39	0.32144	2020.12.3	v29
31_2	去掉1阶行内特征+DOTTING_MINUTE_4	39.02/2.39	0.32331	2020.12.4	v29
31_3	去掉1阶行内特征+DOTTING_MINUTE_4+CPU_USAGE_3_std	39.03/2.39	0.32761	2020.12.4	v29

总结：之前的实验一旦加特征就掉分，特别是差分特征一加入就直接过拟合，这种原因猜测是由于我们暴力保留所有特征并统一进行特征工程导致的，因此实验31就尝试去掉1阶行内特征(因为它阶数太小，差分阶数太小更易过拟合)，然后发现线上涨分了，后续打印特征重要性观察模型TOP特征，发现有些特征不应该给予这么高的特征重要性，所以怀疑它们是过拟合的源头，因此这里就依次去掉了DOTTING_MINUTE_4和CPU_USAGE_3_std，发现分数提高，后续我再尝试去掉另外TOP重要性特征如USED_CPU_3_std，掉分了，目前A榜提交机会用完，待B榜，再做尝试。

2020.12.06

编号	预处理手段	线下表现(MSE/测评分数)	线上分数	提交时间	数据版本
1	全队列-加入聚合特征	30.11/2.14	未提交	2020.12.06	v1
2	在1的基础上去掉行内特征	28.59/2.10	未提交	2020.12.06	v2
3	在2的基础上去掉succ lau	29.60/2.13	未提交	2020.12.06	v3