2019 SeedCup

工程结构

• config.py : 工程参数配置

• dataLoader.py : 加载训练集及验证集

• model.py : 模型网络结构

• evaluation : 评测接口,可计算rankScore,MSE及accuracy

• train.py : 模型训练

• test.py : 模型在测试集上进行预测,输出预测结果

• data/ 存放数据集csv文件

• model/ 存放模型文件

• test_output 存放测试集预测输出文件

• 工程树状图

  ├── config.py
  ├── data
  │     ├── SeedCup_pre_test.csv
  │     └── SeedCup_pre_train.csv
  ├── model
  │     └── model.pkl
  ├── test_output
  │     ├──test_xxxxxxxx.txt
  │     └── ......
  ├── dataLoader.py
  ├── evaluation.py
  ├── model.py
  ├── README.md
  ├── test.py
  └── train.py
  
  

运行环境

• python 3.6.8
• pytorch 1.1.0
• numpy 1.17.2
• tqdm 4.31.1
• CUDA 10.1
• cudnn 7.5

使用方法

• 配置运行环境，可使用pip或其他包管理工具进行安装
  • 参考安装方式：pip3 install -r requirement.txt
• 在工程根目录下新建data文件夹，将初赛数据集csv文件放入
• 训练，模型保存在model/ 中
  • 执行python3 train.py
• 测试，测试集预测结果保存在test_output/ 中
  • 执行python3 test.py

网络结构

• embedding层 对id类数据做嵌入(embedding)
• FC层 对拼接后的向量做全连接处理

评测指标说明

• 误差率 RankScore
  • rankScore = MSE(real_signed_time ,pred_signed_time ) 精确到小时
  • MSE为均方根误差
• 准时率 onTimePercent
  • onTimePercent = Count(pred_singed_date <= real_signed_date) 精确到天
• 准确率 Accuracy
  • 精确到天,该指标仅供参考