知識要點：
lubridate包拆解時間 | POSIXlt
利用決策樹分類渴肉，利用隨機森林預(yù)測
利用對數(shù)進行fit茎活，和exp函數(shù)還原
訓(xùn)練集來自Kaggle華盛頓自行車共享計劃中的自行車租賃數(shù)據(jù)哲鸳，分析共享自行車與天氣牵囤、時間等關(guān)系飒房。數(shù)據(jù)集共11個變量雾鬼，10000多行數(shù)據(jù)膀藐。
https://www.kaggle.com/c/bike-sharing-demand
首先看一下官方給出的數(shù)據(jù)屠阻，一共兩個表格，都是2011-2012年的數(shù)據(jù)额各，區(qū)別是Test文件是每個月的日期都是全的国觉，但是沒有注冊用戶和隨意用戶。而Train文件是每個月只有1-20天虾啦，但有兩類用戶的數(shù)量麻诀。
求解：補全Train文件里21-30號的用戶數(shù)量。評價標(biāo)準(zhǔn)是預(yù)測與真實數(shù)量的比較傲醉。
首先加載文件和包
library(lubridate)
library(randomForest)
library(readr)
setwd("E:")
data<-read_csv("train.csv")
head(data)
這里我就遇到坑了蝇闭，用r語言缺省的read.csv死活讀不出來正確的文件格式，換成xlsx更慘硬毕，所有時間都變成43045這樣的怪?jǐn)?shù)字呻引。本來之前試過as.Date可以正確轉(zhuǎn)換，但這次因為有時分秒昭殉，就只能用時間戳苞七，但結(jié)果也不行。
最后是下載了"readr"包挪丢，用read_csv語句蹂风，順利解讀。
因為test比train日期完整乾蓬，但缺少用戶數(shù)惠啄，所以要把train和test合并。
test$registered=0
test$casual=0
test$count=0
data<-rbind(train,test)
摘取時間：可以用時間戳，這里的時間比較簡單撵渡，就是小時數(shù)融柬，所以也可以直接截字符串。
data$hour1<-substr(data$datetime,12,13)
table(data$hour1)
統(tǒng)計一下每個小時的使用總數(shù)趋距，是這樣（為什么介么整齊）：
接下來是運用箱線圖粒氧，看一下使用者和時間，周幾這些的關(guān)系节腐。為什么用箱線圖而不用hist直方圖外盯，因為箱線圖有離散點表達，下面也因此運用對數(shù)求fit
從圖中可以看出翼雀，在時間方面饱苟，注冊用戶和非注冊用戶的使用時間有很大不同。
接下來用相關(guān)系數(shù)cor檢驗用戶狼渊，溫度箱熬，體感溫度，濕度狈邑，風(fēng)速的關(guān)系城须。
相關(guān)系數(shù)：變量之間的線性關(guān)聯(lián)度量，檢驗不同數(shù)據(jù)的相關(guān)程度官地。
取值范圍[-1酿傍，1]，越接近0越不相關(guān)驱入。
從運算結(jié)果可以看出赤炒，使用人群與風(fēng)速呈負(fù)相關(guān)，比溫度影響還大亏较。
接下來就是將時間等因素用決策樹分類莺褒，然后用隨機森林來預(yù)測。隨機森林和決策樹的算法雪情。聽起來很高大上遵岩，其實現(xiàn)在也很常用了，所以一定要學(xué)會巡通。
決策樹模型是 一種簡單易用的非參數(shù)分類器尘执。它不需要對數(shù)據(jù)有任何的先驗假設(shè)，計算速度較快宴凉，結(jié)果容易解釋誊锭，而且穩(wěn)健性強，不怕噪聲數(shù)據(jù)和缺失數(shù)據(jù)弥锄。
決策樹模型的基本計 算步驟如下：先從n個自變量中挑選一個丧靡，尋找最佳分割點蟆沫，將數(shù)據(jù)劃分為兩組。針對分組后數(shù)據(jù)温治，將上述步驟重復(fù)下去饭庞，直到滿足某種條件。
在決策樹建模中需要解決的重要問題有三個：
如何選擇自變量
如何選擇分割點
確定停止劃分的條件
做出注冊用戶和小時的決策樹熬荆，
train$hour1<-as.integer(train$hour1)
d<-rpart(registered~hour1,data=train)
rpart.plot(d)
然后就是根據(jù)決策樹的結(jié)果手動分類舟山，所以還滿占代碼的...
train$hour1<-as.integer(train$hour1)
data$dp_reg=0
data$dp_reg[data$hour1<7.5]=1
data$dp_reg[data$hour1>=22]=2
data$dp_reg[data$hour1>=9.5 & data$hour1<18]=3
data$dp_reg[data$hour1>=7.5 & data$hour1<8.5]=4
data$dp_reg[data$hour1>=8.5 & data$hour1<9.5]=5
data$dp_reg[data$hour1>=20 & data$hour1<22]=6
data$dp_reg[data$hour1>=18 & data$hour1<20]=7
同理，做出 （小時 | 溫度） X （注冊 | 隨意用戶） 等決策樹卤恳，繼續(xù)手動分類....
年份月份捏顺，周末假日等手動分類
data$year_part=0
data$month<-month(data$datatime)
data$year_part[data$year=='2011']=1
data$year_part[data$year=='2011' & data$month>3]=2
data$year_part[data$year=='2011' & data$month>6]=3
data$year_part[data$year=='2011' & data$month>9]=4
data$day_type=""
data$day_type[data$holiday==0 & data$workingday==0]="weekend"
data$day_type[data$holiday==1]="holiday"
data$day_type[data$holiday==0 & data$workingday==1]="working day"
data$weekend=0
data$weekend[data$day=="Sunday"|data$day=="Saturday"]=1
接下來用隨機森林語句預(yù)測
在機器學(xué)習(xí)中，隨機森林是一個包含多個決策樹的分類器纬黎， 并且其輸出的類別是由個別樹輸出的類別的眾數(shù)而定。
隨機森林中的子樹的每一個分裂過程并未用到所有的待選特征劫窒，而是從所有的待選特征中隨機選取一定的特征本今，再在其中選取最優(yōu)的特征。這樣決策樹都能夠彼此不同主巍，提升系統(tǒng)的多樣性冠息，從而提升分類性能。
ntree指定隨機森林所包含的決策樹數(shù)目孕索，默認(rèn)為500逛艰，通常在性能允許的情況下越大越好；
mtry指定節(jié)點中用于二叉樹的變量個數(shù)搞旭，默認(rèn)情況下數(shù)據(jù)集變量個數(shù)的二次方根（分類模型）或三分之一（預(yù)測模型）散怖。一般是需要進行人為的逐次挑選，確定最佳的m值—摘自datacruiser筆記肄渗。這里我主要學(xué)習(xí)镇眷，所以雖然有10000多數(shù)據(jù)集，但也只定了500翎嫡。就這500我的小電腦也跑了半天欠动。
#train<-data[as.integer(day(data$datetime))>20,]
train<-data
set.seed(421)
train$logreg<-log(train$registered+1)
train$logcas<-log(train$casual+1)
#fit1<-randomForest(logreg~hour1+workingday+day+holiday+day_type+
temp_reg+humidity+atemp+windspeed+season+weather
+dp_reg+weekend+year+year_part,
train,importance=TRUE,ntree=250)
fit1<-randomForest(logreg~hour1+workingday+holiday+temp_reg+atemp+humidity
+windspeed+season+weather+weekend+year+year_part
+dp_reg,train,importance=TRUE,ntree=500)
pred1<-predict(fit1,train)
train$logreg<-pred1
set.seed(421)
fit2<-randomForest(logcas~hour1+workingday+holiday+temp_cas+atemp+humidity
+windspeed+season+weather+weekend+year+year_part
+dp_cas,train,importance=TRUE,ntree=500)
pred2<-predict(fit2,train)
train$logcas<-pred2
這里不知道怎么回事，我的day和day_part加進去就報錯惑申，只有刪掉這兩個變量計算具伍，還要研究修補。
然后用exp函數(shù)還原
train$registered<-exp(train$logreg)-1
train$casual<-exp(train$logcas)-1
train$count<-test$casual+train$registered
最后把20日后的日期截出來圈驼，寫入新的csv文件上傳人芽。
train2<-train[as.integer(day(data$datetime))>=20,]
submit_final<-data.frame(datetime=train2$datetime,count=train2$count)
write.csv(submit_final,"submit_final.csv",row.names=F)
大功告成！
github的代碼在此
原來的示例是煉數(shù)成金網(wǎng)站的kaggle課程第二節(jié)碗脊，基本按照視頻的思路啦逆。因為課程沒有源代碼顾画，所以要自己修補運行完整内斯。總算把這個功課做完了害碾。下面要修正的有：
好好理解三個知識點（lubridate包/POSIXlt，log線性赦拘，決策樹和隨機森林）慌随；
用WOE和IV代替cor函數(shù)分析相關(guān)關(guān)系；
用其他圖形展現(xiàn)的手段分析
隨機樹變量重新測試
完成了一個“浩大完整”的數(shù)據(jù)分析躺同，還是很有成就感的阁猜！
