本文共 1993 字，大约阅读时间需要 6 分钟。
特征构建部分
代码注释中详细描述了从原始数据中提取的各类特征，涵盖了商家、优惠券、用户、用户-商家以及其他相关特征。以下是具体特征的划分和计算方法：
商家相关特征：
sales_use_coupon：用户在该交易中使用了优惠券的标志（布尔值）。total_coupon：用户在该交易中使用的优惠券总数。transfer_rate：用户使用优惠券的比例，计算公式为 sales_use_coupon / total_coupon。merchant_avg_distance、merchant_min_distance、merchant_max_distance：使用优惠券的商家距离的平均、最小和最大值。total_sales：用户在该交易中的总销售额。coupon_rate：用户使用优惠券的比例，计算公式为 sales_use_coupon / total_sales。优惠券相关特征：
discount_rate：优惠券的折扣率，单位为百分比。discount_man：优惠券的满减金额（仅在非满减优惠券中有效）。discount_jian：优惠券的满减金额（仅在满减优惠券中有效）。is_man_jian：判断优惠券是否为满减优惠券（布尔值）。day_of_week、day_of_month：优惠券接收日期的星期几和月份。用户相关特征：
distance：用户与商家的距离（单位：公里）。user_avg_distance、user_min_distance、user_max_distance：用户在不同交易中距离的平均、最小和最大值。buy_use_coupon：用户是否在该交易中使用优惠券（布尔值）。buy_total：用户在该交易中的总购买金额。coupon_received：用户接收的优惠券总数。buy_use_coupon/coupon_received：用户使用优惠券的比例。用户-商家相关特征：
times_user_buy_merchant_before：用户在过去多少次购买了该商家。其他特征：
this_month_user_receive_all_coupon_count：用户本月接收的所有优惠券数量。this_month_user_receive_same_coupon_count：用户本月接收的同一优惠券的次数。this_month_user_receive_same_coupon_lastone：用户本月最后一次接收同一优惠券的时间。this_month_user_receive_same_coupon_firstone：用户本月第一次接收同一优惠券的时间。this_day_user_receive_all_coupon_count：用户当天接收的所有优惠券数量。this_day_user_receive_same_coupon_count：用户当天接收的同一优惠券的次数。day_gap_before、day_gap_after：用户接收同一优惠券前的和后的天数。XGBoost机器学习部分
在特征构建完成后，采用XGBoost进行模型训练。以下是模型训练的具体参数设置和结果：
模型参数：
booster：使用GBTree Booster。objective：优化目标为交叉对数损失函数。eval_metric：使用AUC（Area Under Curve）作为评价指标。gamma：学习率。min_child_weight：最小的子树权重。max_depth：树的最大深度。lambda：正则化参数。subsample：随机采样比例。colsample_bytree：列随机采样比例。colsample_bylevel：列分层随机采样比例。eta：学习率。tree_method：树的构建方法。seed：随机种子。nthread：并行线程数。模型训练过程：
模型预测：
模型特征重要性：
day_gap_before：特征重要性最高，表明该特征对模型预测结果影响最大。day_gap_after：特征重要性次之。coupon_rate：优惠券使用率对模型预测结果也有重要影响。merchant_avg_distance：商家距离特征也对模型表现有显著贡献。最终预测结果：
注：本文中所有特征名称和变量计算方法均基于提供的代码注释，具体实现细节请参考原始代码。
转载地址：http://hbrg.baihongyu.com/