（作者：陳玓玏）

這個比賽我參加的時間稍微有點久遠了，有些思路可能都不是特別清楚了，可以自己再好好細化、補充一下。

賽題中一共有四個檔案，分別是線下測試集資料，線下訓練集資料，線上訓練集資料，以及最後需要提交的結果的格式。我其實在比賽時候只用了線下訓練集的資料，已經是夠用的了。

那麼建模肯定需要確定幾個大的方向點：1、label怎麼定義？2、時間視窗怎麼劃分？3、變數怎麼延伸？4、用什麼演算法？5、過擬合了怎麼辦？

1、label怎麼定義？

因為題目已經要求過了，需要預測的是客戶在15天內的優惠券使用率，所以我們把領取優惠券以後15內使用定為1，即我們要尋找的正樣本，15內不使用的定為0，即負樣本。

2、時間視窗怎麼劃分？

原始資料集中包括的資料是2016年1月1日到2016年6月30日的樣本，那麼在這幾個月內，x值和y值我們都是已知的，然後要通過這之前的行為預測出七月份的y，但是沒有七月的資料，所以我們需要給七月留出一個觀察視窗，也就是造x變數的視窗。最後劃分視窗的結果如下：
——————————————————————————————————————————————————
訓練樣本
x值產生區間：2016.01~2016.03，y值產生區間：2016.04
預測樣本
x值產生區間：2016.04~2016.06，y值產生區間：無，是我們最終需要預測的結果
———————————————————————————————————————————————————
正好就是用三個月來預測一個月，因為這裡也不去考慮模型穩定性的問題，因為只預測一個月嘛，不是長期使用這個模型，所以我們也就不會去考慮這些，也就沒有通過客戶表現的穩定性來確定時間視窗，而是選擇了一個可以充分利用樣本資料，又能夠儘可能長地拉昇觀察視窗的劃分方法。

3、變數怎麼延伸？

初始資料其實就只有幾列嘛，如下圖所示：

但是這幾個變數可用度實在太低，比如使用者id和商戶id這種變數根本就無效嘛，所以必須要延伸變數，分模組來細化變數，其實就是在細化使用者的行為，初期延伸變數的時候肯定是分析得越細越好的。

那麼我的思路是比較傻的方法，就是先單變數延伸，再組合延伸。
1、先延伸使用者相關的變數，比如通過使用者的消費頻率、消費最大距離、最小距離、平均距離等來刻畫使用者的消費習慣；
2、再延伸商戶變數，比如商家釋出優惠券的頻率、商家釋出優惠券的最大、最小、平均折扣率等等，而且要區分是滿減還是直接打折；
3、再延伸優惠券的變數，比如優惠券的折扣率；
4、接著延伸交叉變數，比如使用者在每個商家的消費頻率、使用優惠券的消費頻率、使用優惠券的比例等等。

感覺延伸變數反正是一個比較噁心的過程，但是也比較有意思，噁心是因為它既感性又理性，可能還要憑一些經驗，有意思是因為它其實就是一個刻畫行為的過程，值得玩味。

4、用什麼演算法？

這就是一個二分類問題，可以用的演算法多了去了，邏輯迴歸、決策樹、SVM、XGBoost、隨機森林，blahblahblah……最後用的是XGBoost，因為它很省心啊，又可以自己靈活抽樣，又可以很方便地調參來防止過擬合，而且是整合學習，預測精度高，還能幫你選特徵。

5、怎麼防止過擬合？

很多方法了，調參啦，控制樹深、樹的分裂條件，葉子節點權重等，還可以自己選變數，把那些不重要的變數都篩掉。最後我的結果AUC是在0.799的樣子，因為我電腦比較挫，跑不了所有的資料，只能跑一部分，不然肯定能到0.8以上，然後當季排名是15，現在大家更牛了，第一名已經到0.81+了。