nianhuaputixia / tianchi-industry4.0-competition Goto Github PK

#工业4.0大数据竞赛 - 制造业质量控制

这是天池众智平台上的一道赛题：链接，本方案取得了第一名的成绩，解决方案和代码现整理开源。

##解决方案

工业4.0大数据竞赛-技术方案总结

##代码说明 ###data

存放原始的数据文件，包括：

• 训练数据，draft_data_train.csv, param_data_train.csv, timevarying_param_train.csv
• 旧测试数据，draft_data_test.csv, param_data_test.csv, timevarying_param_test.csv
• 新测试数据，draft_data_test_new.csv, param_data_test_new.csv, timevarying_param_test_new.csv

###数据分析与特征提取

• plot_scatter.py，画散点图

• feature_extract.py,提取特征，在data目录下生成feature目录，存放特征文件

###classification

• xgb_gt98.py，训练xgboost分类器，判断product_no的key_index是否大于0.98
• xgb_lt92.py，训练xgboost分类器，判断product_no的key_index是否小于0.92

###regression

• old_testset目录

  • all目录
    • all_xgb.py，使用了所有特征训练的xgboost，做了特征选择
    • all_dart.py，使用了所有特征训练的dart，做了特征选择
  • half目录
    • xgb.py，使用了加工进度50%之前的特征训练的xgboost
  • draft目录
    • dart.py，使用draft_param特征训练的dart
  • gen_submission.py，生成提交文件

• new_testset目录

  • dp_xgb.py，使用draft_param和param两种特征训练的xgboost
  • dp_dart.py，使用draft_param和param两种特征训练的dart
  • dp_rf.py，使用draft_param和param两种特征训练的rf
  • d_xgb.py,使用draft_param特征训练的xgboost
  • d_rf.py,使用draft_param特征训练的rf
  • gen_submission.py，生成提交文件，融合了旧测试数据的结果。根据题目要求，分draft、half、all三种预测。

• post_process.py，使用分类模型的预测结果，对回归预测的结果进行后处理

###recommend

• recommend.py,推荐三组工艺可调参数的预设值
• recommend_every_product.py,针对特定的工艺不可调整参数，对工艺可调参数进行推荐