Pull to refresh

Можно ли уехать из Клинцов? (data mining of blablacar.ru)

Reading time 14 min
Views 12K

Парсинг сайта blablacar.ru и анализ пассажиропотока из г. Клинцы Брянской области с помощью языка программирования R.


image


Предыстория


По воле разных обстоятельств дауншифтнулся в небольшой город Брянской области (г. Клинцы). Живу, работаю, интересуюсь культурным отдыхом. «Куда здесь можно сходить?» — спрашиваю у местных. «Лучше всего сходить на вокзал за билетами», — доброжелательно советуют клинчане.


Идея понравилась, и в качестве отдохновения от забот решил заняться одно-двухдневными путешествиями, выбрав для этой цели Блаблакар (экономичнее, по идее, время поездок проще подобрать, с водителем можно пообщаться, выбор маршрутов больше).


Чтобы лучше представлять: куда, когда, как и за сколько из Клинцов можно уехать, — провёл небольшое исследование. Результатами, алгоритмом, скриптами и данными делюсь в этой статье.


Библиотеки R


Для проведения исследования использованы следующие библиотеки R:


  • rvest, Rselenium — парсинг данных;
  • dplyr, tidyr — манипуляция с данными;
  • ggplot2, ggmap, grid, gridExtra — визуализация;
  • forecast, zoo — работа с временными рядами;
  • сaret, xgboost, mlr — машинное обучение.

Получение данных


Собрать данные с сайта стандартными средствами R (библиотека rvest) с ходу не удалось. Блаблакар работает на JS, который формирует динамические страницы в зависимости от запроса пользователя, а функции rvest их не поддерживают.


Так как с веб-технологиями я знаком постольку-поскольку, то не стал разбираться, где и что лежит на сервере и как именно подтягивается, а выбрал более простое, как мне показалось, решение.


Установил на машине сервер Rselenium, через него запускал Google Chrome, который формировал нужную страницу и сохранял выдачу. Далее страница без проблем парсилась R.


Блаблакар предоставляет данные всего лишь за два месяца (713 поездок), поэтому эта схема отлично сработала (раза с третьего, весело поскрипывая костылями, сервер запустился). Однако не уверен, что алгоритм подойдёт для парсинга большего количества страниц — слишком много времени и ресурсов уходит, много узких мест.


Скрипт парсера
#### ГЕНЕРАЦИЯ ССЫЛОК ####

# Месяцы
mnth <- 5:7
# Дни
days <- seq(1, 31, 1)

# Цикл генерации
url.t <- c()
urls <- c()
for(i in mnth){
    for(j in days){
        url <- paste0("https://www.blablacar.ru/poisk-poputchikov/klintcy/#?db=",
                      j, "/", i,
                      "/2017&fn=%D0%9A%D0%BB%D0%B8%D0%BD%D1%86%D1%8B,+%D0%91%D1%80%D1%8F%D0%BD%D1%81%D0%BA%D0%B0%D1%8F+%D0%BE%D0%B1%D0%BB%D0%B0%D1%81%D1%82%D1%8C&fc=52.756616%7C32.256669&fcc=RU&fp=0&tn=&sort=trip_date&order=asc&radius=15&limit=100")
        url.t <- c(url.t, url)
    }
    urls <- c(urls, url.t)
    url.t <- c()
}

# Удаление лишних ссылок
urls <- urls[11:74]
urls <- urls[-52] # удаление 31 июня

#### ПАРСИНГ ####

# Создание датасета для хранение полученных данных
blblcars <- data.frame(Name = character(),
                       Age = character(),
                       Date = character(),
                       Time = character(),
                       City = character(),
                       Price = character(),
                       stringsAsFactors = FALSE)

# Запуск сервера RSelenium
rD <- rsDriver( browser = c("chrome"))
remDr <- rD$client

for (j in urls) {

    # Переход на страницу
    remDr$navigate(j)

    # Перерыв на 3 секунды, иначе браузер не успевает сформировать страницу
    Sys.sleep(3)

    # Получение данных со страницы
    html <- remDr$getPageSource()
    html <- read_html(html[[1]])

    # Имена
    names <- html_nodes(html, ".ProfileCard-info--name")
    names.i <- c()
    if (length(names) == 0) {
        names.i <- NA
    } else {
        for (i in 1:length(names)) {
            names.i[i] <- gsub(".*\n                            |\n.*", 
                               "", names[[i]])
        }
    }

    # Возраст
    age <- html_nodes(html, ".u-truncate+ .ProfileCard-info")
    age.i <- c()
    if (length(age) == 0) {
        age.i <- NA
    } else {
        for (i in 1:length(age)) {
            age.i[i] <- gsub(".*возраст: |<br/>.*", "", age[[i]])
        }
    }

    # Дата
    date <- html_nodes(html, ".time")
    date.i <- c()
    if (length(date) == 0) {
        date.i <- NA
    } else {
        for (i in 1:length(date)) {
            date.i[i] <- gsub(".*content=\"|\">.*", "", date[[i]])
        }
    }

    # Время
    time <- html_nodes(html, ".time")
    time.i <- c()
    if (length(time) == 0) {
        time.i <- NA
    } else {
        for (i in 1:length(time)) {
            time.i[i] <- gsub(".* - |\n.*", "", time[[i]])
        }
    }

    # Цена
    price <- html_nodes(html, ".price")
    price.i <- c()
    if (length(price) == 0) {
        price.i <- NA
    } else {
        for (i in 1:length(price)) {
            price.i[i] <- gsub(".*<span class=\"\">\n|\n.*", 
                               "", 
                               price[[i]])
        }
    }

    # Пункт назначения
    city <- html_nodes(html, ".trip-roads-stop~ .trip-roads-stop")
    city.i <- c()
    if (length(city) == 0) {
        city.i <- NA
    } else {
        for (i in 1:length(city)) {
            city.i[i] <- gsub("<span class=\"trip-roads-stop\">|</span>", "", city[[i]])
        }
    }

    # Сохранение в датасет
    blblcars.t <- data.frame(Name = names.i,
                           Age = age.i,
                           Date = date.i,
                           Time = time.i,
                           City = city.i,
                           Price = price.i,
                           stringsAsFactors = FALSE)

    # Добавление данных в итоговый датасет
    blblcars <- rbind(blblcars, blblcars.t)

}

# Закрытие сервера RSelenium
remDr$close()

# Сохранение данных
save(blblcars, file = "data/blblcars")

Динамика и предсказание трафика


Скрипт предварительной обработки данных
#### ОБРАБОТКА ДАННЫХ ####

# Загрузка данных
load("data/blblcars")

# Преобразование типов данных
blblcars$Age <- as.integer(blblcars$Age)
blblcars$Price <- as.integer(gsub("[^0-9]", "", blblcars$Price))
blblcars$hours <- as.integer(gsub(":..", "", blblcars$Time))
blblcars$days <- weekdays(as.Date(blblcars$Date))

В среднем из Клинцов выезжает 10 машин в день, максимум — 35. Трафик растущий. Что влияет на положительную динамику — сезон отпусков, более благоприятная дорожная обстановка летом, долгосрочный рост аудитории сервиса — сложно точно сказать. Нужны данные хотя бы за пару лет.


Скрипт графика
#### Динамика трафика ####

# row.names(blblcars)[is.na(blblcars$Price)] 2017-06-03 - не было поездок
blblcars$Date[214] <- "2017-06-03" # Добавление дня, в который не было поездок

# Формирование временного ряда
bl.date <- blblcars %>% count(Date)
bl.date$n[bl.date$Date == "2017-06-03"] <- 0
bl.date$Date <- as.Date(bl.date$Date)
bl.date <- bl.date %>% filter(Date != "2017-07-12")

# Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
# 0.00    8.00   10.00   11.48   13.00   35.00
summary(bl.date$n)

#### График "Количество поездок растёт в сезон отпусков" #### 
ggplot(bl.date, aes(x = Date, y = n))+
    geom_line()+
    geom_smooth()+
    labs(title = "Пассажиропоток растёт",
         subtitle = "динамика количества поездок из г. Клинцы на blablacar.ru с 11 мая по 11 июля 2017 г.",
         caption = "Источник: blablacar.ru  silentio.su",
         x = "Дата",
         y = "количество поездок")+
    theme(legend.position = "none",
          axis.text.x = element_text(size = 14), 
          axis.title.x = element_text(size = 14),
          axis.text.y = element_text(size = 14), 
          axis.title.y = element_text(size = 14),
          title = element_text(size = 14))

image


Предсказать трафик на ближайшую неделю или месяц тоже проблематично. Протестировал несколько моделей, но точность предсказаний оставляет желать лучшего.


Скрипт модели
#### Предсказание трафика ####

bl.arima <- zoo(bl.date$n, bl.date$Date)
model.arima <- auto.arima(bl.arima)
predic.ar <- forecast(model.arima, h = 14)
plot(predic.ar, type = "line", main = " ")
title(main = "Динамика и предсказание трафика из Клинцов",
      xlab = "ARIMA(2,1,1), прогноз на 12-25 июля 2017 г.", ylab = "Количество поездок")
grid.text("Источник: blablacar.ru  silentio.su",
          x = 0.98, y = 0.02, just = c("right", "bottom"), 
          gp = gpar(fontsize = 14, col = "dimgrey"))

image


Самые популярные направления


За два месяца машины из Клинцов отправлялись в 59 разных городов. Однако основных направлений немного: Брянск (40% всех поездок), Москва (18%), города Брянской области, Гомель (приграничный город в Белоруссии, областной центр), Орёл, Смоленск — 88% от всех поездок.


Скрипт графика
#### Самые популярные направления ####
bl.city <- blblcars %>% count(City)
bl.city$percents <- round(bl.city$n/sum(bl.city$n)*100, digits = 2)
bl.city <- bl.city %>% arrange(desc(n))

# 59 городов
length(unique(bl.city$City))

#### График "Топ-10 маршрутов из г. Клинцы на blablacar.ru" ####
ggplot(bl.city[1:10,], aes(x = reorder(City, n), 
                        y = percents, fill = percents))+
    geom_bar(stat = "identity")+
    coord_flip()+
    geom_label(aes(label = paste0(percents, "%")), 
               size = 5, colour = "white", hjust = 1)+
    labs(title = "Чаще всего клинчане ездят в Брянск и Москву",
         subtitle = "Топ-10 маршрутов из г. Клинцы на blablacar.ru",
         caption = "Источник: blablacar.ru  silentio.su",
         x = "Города",
         y = "% от всех поездок")+
    theme(legend.position = "none",
          axis.text.x = element_text(size = 14), 
          axis.title.x = element_text(size = 14),
          axis.text.y = element_text(size = 14), 
          axis.title.y = element_text(size = 14),
          title = element_text(size = 14))

image


Если нанести пункты назначения на карту, то получится почти идеальная окружность с центром в Клинцах и радиусом 1000-1200 км, плотная в центре и разряженная ближе к периферии. Также хорошо видна дуга «Клинцы-Брянск-Калуга-Москва».


Скрипт карты
#### Карта маршрутов из г. Клинцы на blablacar.ru ####

# Геолокация
bl.city <- na.omit(bl.city)
geo <- geocode(bl.city$City)
bl.city <- cbind(bl.city, as.data.frame(geo))
map <- get_map(location = "Klintsy", maptype = "terrain", zoom = 4)

ggmap(map)+
    geom_point(data = bl.city, 
               aes(x = lon, y = lat,  size = percents),
               alpha = 1, colour = "red")+
    labs(title = "Карта маршрутов из г. Клинцы на blablacar.ru",
         caption = "Источник: blablacar.ru  silentio.su",
         x = " ",
         y = " ",
         size = "% поездок:")+
    theme(legend.position = "left",
          legend.text = element_text(size = 12),
          axis.text.x = element_text(size = 8), 
          axis.title.x = element_text(size = 8),
          axis.text.y = element_text(size = 8), 
          axis.title.y = element_text(size = 8),
          title = element_text(size = 14))

image


То есть в основном клинчане путешествуют по месту, регулярно ездят в близлежащие областные центры и в МСК.


Стоимость проезда


Стоимость проезда у всех водителей, сгруппированных по направлениям, примерно одинаковая: около 100 р. — по области, в среднем 280 р. — Брянск, 900 р. — Москва. Это где-то на 25% дешевле, чем у регулярных перевозчиков.


Самый большой разброс цен — на билеты в Орёл (от 350 до 600 р.) и Смоленск (от 450 до 650 рублей).


Скрипт графика
#### Средняя цена по Топ-10 направлений ####
bl.price.top <- blblcars %>% 
    filter(City %in% unique(bl.city$City[1:10])) %>% 
    select(City, Price)
bl.price.top <- full_join(bl.price.top, 
                          bl.price.top %>% 
                              group_by(City) %>% 
                              summarise(mean = mean(Price))
                          )
bl.price.top$mean <- round(bl.price.top$mean, digits = 0)
bl.price.top$mean <- paste0(bl.price.top$mean, " р.")
bl.price.top <- bl.price.top %>% unite(City, c(City, mean), sep = ", ")

#### График "Самый большой разброс цен на билеты в Орёл и Смоленск" ####
ggplot(bl.price.top, aes(x = reorder(City, Price), y = Price))+
    stat_summary(geom = "line", group = 1, fun.data = "mean_cl_boot", size = 1,
                 colour = "blue")+
    stat_summary(fun.data = "mean_cl_boot", colour = "red", size = 1)+
    labs(title = "Самый большой разброс цен - на билеты в Орёл и Смоленск",
         subtitle = "Средняя цена поездки из г. Клинцы на blablacar.ru (Топ-10 направлений)",
         caption = "Источник: blablacar.ru  silentio.su",
         x = "Направления и средняя цена",
         y = "Цена поездки, руб.")+
    theme(legend.position = "none",
          legend.text = element_text(size = 14),
          axis.text.x = element_text(size = 14, angle = 90), 
          axis.title.x = element_text(size = 14),
          axis.text.y = element_text(size = 14), 
          axis.title.y = element_text(size = 14),
          title = element_text(size = 14))

image


Как ни странно, цена поездки не всегда зависит от расстояния. Дороже всего съездить из Клинцов на Юг и Кавказ — 1500-2300 р. За аналогичные расстояния в направлении Европы просят раза в два меньше.


Скрипт графика
#### Самые дорогие направления ####
bl.price <- blblcars %>% 
    select(City, Price) %>% 
    group_by(City) %>% 
    summarise(price = mean(Price))
bl.price$price <- round(bl.price$price, digits = 0)
bl.price <- bl.price %>% arrange(desc(price))

#### График "Топ-10 самых дорогих маршрутов из г. Клинцы на blablacar.ru" ####
ggplot(bl.price[1:10,], aes(x = reorder(City, price), 
                            y = price, fill = price))+
    geom_bar(stat = "identity")+
    coord_flip()+
    geom_label(aes(label = paste0(price, " р.")), 
               size = 5, colour = "white", hjust = 1)+
    labs(title = "Дороже всего съездить из Клинцов на Юг и Кавказ",
         subtitle = "Топ-10 самых дорогих маршрутов из г. Клинцы на blablacar.ru",
         caption = "Источник: blablacar.ru  silentio.su",
         x = "Направления",
         y = "Средняя цена поездки, руб.")+
    theme(legend.position = "none",
          axis.text.x = element_text(size = 14), 
          axis.title.x = element_text(size = 14),
          axis.text.y = element_text(size = 14), 
          axis.title.y = element_text(size = 14),
          title = element_text(size = 14))

image


Анализ водителей


Меня заинтересовала мотивация водителей. Почему они берут пассажиров? Есть ли среди них те, кто пользуется сервисом для получения коммерческой выгоды?


54% водителей за два месяца только 1 раз воспользовались сервисом. Остальные ездят с частотой от 1 раза в месяц до 1 раза в неделю, вероятно, по рабочим делам — пассажиров берут в целях снижения дорожных расходов.


Я нашёл только одного человека, который, скорее всего (но это неточно), занимается коммерческим извозом (маршрутное такси, маршрут «Новозыбков — Клинцы — Москва», каждые три дня).


Скрипт графика
#### Самые популярные водители ####
drivers <- blblcars %>% 
    select(Name, Age)
drivers$Age <- paste0("возраст: ", drivers$Age)
drivers <- drivers %>% unite(Name, c(Name, Age), sep = ", ")
drivers <- drivers %>% count(Name)
drivers$percents <- round(drivers$n/sum(drivers$n)*100, digits = 2)
drivers <- arrange(drivers, desc(n))
drivers$per.month <- round(drivers$n/2, digits = 0)

summary(as.factor(drivers$n))/sum(drivers$n)*100

#### График "Большинство водителей подвозят людей эпизодически" ####
ggplot(drivers[1:10,], aes(x = reorder(Name, n), 
                           y = percents, fill = percents))+
    geom_bar(stat = "identity")+
    coord_flip()+
    geom_label(aes(label = paste0(per.month, " поезд./месяц")), 
               size = 5, colour = "white", hjust = 1)+
    labs(title = "Большинство водителей подвозят людей эпизодически",
         subtitle = "Топ-10 водителей по количеству поездок из г. Клинцы на blablacar.ru",
         caption = "Источник: blablacar.ru  silentio.su",
         x = "Водители",
         y = "Количество поездок в месяц")+
    theme(legend.position = "none",
          axis.text.x = element_text(size = 14), 
          axis.title.x = element_text(size = 14),
          axis.text.y = element_text(size = 14), 
          axis.title.y = element_text(size = 14),
          title = element_text(size = 14))

image


Время отправления


Легче всего уехать из Клинцов с 16:00 до 19:00. Автомобили до Москвы отправляются в ночь, часов в девять вечера.


Скрипт графика
#### Самые популярные часы отправления для Топ-10 ####
bl.hours <- blblcars %>% 
    group_by(City) %>% 
    count(hours)
bl.hours <- ungroup(bl.hours)
# Добавление нулевых значений
for (i in unique(bl.hours$City)) {
    for (j in seq(0, 23, 1)) {
        if (!j %in% bl.hours$hours[bl.hours$City == i]) {
            bl.hours <- rbind(bl.hours, 
                              data.frame(City = i, hours = j, n = 0))
        }
    }
}
# Отбор Топ-10
bl.hours <- bl.hours %>%
    filter(City %in% bl.city$City[1:10])
bl.hours$percents <- round(bl.hours$n/sum(bl.hours$n)*100, digits = 2)

#### График "Распределение поездок из г. Клинцы на blablacar.ru по времени суток" ####
ggplot(bl.hours, aes(x = hours, y = percents, fill = City))+
    geom_bar(stat = "identity")+
    labs(title = "Легче всего уехать из Клинцов с 16:00 до 19:00",
         subtitle = "Распределение поездок из г. Клинцы на blablacar.ru по времени суток",
         caption = "Источник: blablacar.ru  silentio.su",
         x = "Часы (время суток)",
         y = "% от всех поездок (по Топ-10)",
         fill = "Направления:")+
    theme(legend.position = "right",
          legend.text = element_text(size = 12),
          axis.text.x = element_text(size = 14), 
          axis.title.x = element_text(size = 14),
          axis.text.y = element_text(size = 14), 
          axis.title.y = element_text(size = 14),
          title = element_text(size = 14))

image


Чаще всего люди уезжают из города во вторник, пятницу и воскресенье.


Скрипт графика
#### Самые популярные дни отправления для Топ-10 ####
bl.days <- blblcars %>% 
    group_by(City) %>% 
    count(days)
bl.days <- ungroup(bl.days)
# Добавление нулевых значений
for (i in unique(bl.days$City)) {
    for (j in unique(bl.days$days)) {
        if (!j %in% bl.days$days[bl.days$City == i]) {
            bl.days <- rbind(bl.days, 
                              data.frame(City = i, days = j, n = 0))
        }
    }
}
# Отбор Топ-10
bl.days <- bl.days %>%
    filter(City %in% bl.city$City[1:10])
bl.days$percents <- round(bl.days$n/sum(bl.days$n)*100, digits = 2)
# Сортировка по дням недели
bl.days$days <- as.factor(bl.days$days)
bl.days$days <- factor(bl.days$days, levels = c("Понедельник",
                                                "Вторник",
                                                "Среда",
                                                "Четверг",
                                                "Пятница",
                                                "Суббота",
                                                "Воскресенье"))

#### График "Распределение поездок из г. Клинцы на blablacar.ru по дням недели" ####
ggplot(bl.days, aes(x = days, 
                    y = percents, fill = City))+
    geom_bar(stat = "identity")+
    labs(title = "Легче всего уехать из Клинцов во вторник, пятницу и воскресенье",
         subtitle = "Распределение поездок из г. Клинцы на blablacar.ru по дням недели",
         caption = "Источник: blablacar.ru  silentio.su",
         x = "Дни недели",
         y = "% от всех поездок (по Топ-10)",
         fill = "Направления:")+
    theme(legend.position = "right",
          legend.text = element_text(size = 12),
          axis.text.x = element_text(size = 14), 
          axis.title.x = element_text(size = 14),
          axis.text.y = element_text(size = 14), 
          axis.title.y = element_text(size = 14),
          title = element_text(size = 14))

image


Заключение


По результатам исследования я составил расписание, которое поясняет, куда, когда и за сколько с наибольшей вероятностью можно уехать, если появится такое желание.


Скрипт расписания
#### РАСПИСАНИЕ ####
tbls <- blblcars %>% 
    filter(City %in% bl.city$City[1:10]) %>% 
    group_by(City) %>% 
    select(City, days, Time, Price)

# Добавление средней цены
tbls <- full_join(tbls,
                  tbls %>% 
                      summarise(mean.price = round(mean(Price), digits = 0)), 
                  by = "City"
                  )
tbls <- tbls %>% select(-Price)

# Добавление наиболее вероятного дня недели
tbls <- full_join(tbls, 
                  tbls %>% 
                      count(days) %>% 
                      top_n(1, n), by = "City")
for (i in unique(tbls$City)) {
    tbls$days.y[tbls$City == i] <- paste0(unique(tbls$days.y[tbls$City == i]),
                                          collapse = ", ")
}
tbls <- tbls %>% select(-c(days.x, n))    

# Добавление наиболее вероятного времени
tbls <- full_join(tbls, 
                  tbls %>% 
                      count(Time) %>% 
                      top_n(1, n), by = "City")
for (i in unique(tbls$City)) {
    tbls$Time.y[tbls$City == i] <- paste0(unique(tbls$Time.y[tbls$City == i]),
                                          collapse = ", ")
}
tbls <- tbls %>% select(-c(Time.x, n))
tbls <- ungroup(tbls)
tbls <- unique(tbls)

tbls <- tbls[c("City", "days.y", "Time.y", "mean.price")]
colnames(tbls) <- c("Пункт назначения", 
                    "Дни недели", 
                    "Время отправления",
                    "Средняя цена поездки")
tbls <- tbls %>% arrange(`Пункт назначения`)
write.csv(tbls, file = "data/tbls.csv", row.names = F)

image


Также я обучил алгоритм xgboost, который на основании дня недели и времени отправления предсказывает наиболее вероятный маршрут.


Самым информативным признаком оказался час отправления. Глубокой ночью модель стабильно советует ехать в Новозыбков, днём — в Брянск, вечером — в Москву. Поездки в другие города xgboost находит маловероятными.


Модель xgboost
#### МОДЕЛЬ XGBOOST ####

# Подготовка данных
df <- read.csv("data/Поездки из Клинцов - Блаблакар.csv", stringsAsFactors = F)
df <- df %>%
    select(c(City, Time, days))
df <- df %>% separate(Time, c("hours", "minutes"), sep = ":")
df$days <- as.factor(df$days)
levels(df$days) <- c("7", "2", "1", "5", "3", "6", "4")
df[,2:4] <- apply(df[,2:4], 2, function(x) as.numeric(x))
top10 <- df %>% 
    count(City) %>% 
    arrange(desc(n))
top10 <- top10$City[1:10]
df <- df %>% filter(City %in% top10)
df <- na.omit(df)

# Кодировка маршрутов
df$class <- as.numeric(as.factor(df$City))-1 
City.class <- df %>% select(City, class)
City.class <- unique(City.class)
df <- df[,-1]

# Разделение данные на train и test
# Выборка 1/3
indexes <- createDataPartition(df$class,
                               times = 1,
                               p = 0.7,
                               list = F)
train <- df[indexes,]
test <- df[-indexes,]

# Сохранение маршрутов
y.train <- train$class

# Создание матрицы
train.m <- data.matrix(train[,-4])
train.m <- xgb.DMatrix(train.m, label = y.train)

# Stopping. Best iteration:
# [15]  train-merror:0.425361+0.010171  
# test-merror:0.504626+0.035449
model <- xgb.cv(data = train.m,
                nfold = 4,
                eta = 0.03,
                nrounds = 2000,
                num_class = 10,
                objective = "multi:softmax",
                early_stopping_round = 200)

# Подбор параметров модели

# Постановка задачи
train$class <- as.factor(train$class)
traintask <- makeClassifTask(data = train, target = "class")
lrn <- makeLearner("classif.xgboost", 
                   predict.type = "response")
lrn$par.vals <- list(objective = "multi:softmax", 
                     eval_metric = "merror",
                     nrounds = 15, 
                     eta = 0.03)
params <- makeParamSet(makeDiscreteParam("booster",
                                         values = c("gbtree",
                                                    "gblinear")), 
                       makeIntegerParam("max_depth",
                                        lower = 1,
                                        upper = 10), 
                       makeNumericParam("min_child_weight",
                                        lower = 1,
                                        upper = 10), 
                       makeNumericParam("subsample",
                                        lower = 0.5,
                                        upper = 1), 
                       makeNumericParam("colsample_bytree",
                                        lower = 0.5,
                                        upper = 1))
rdesc <- makeResampleDesc("CV", iters = 4)

# Стратегия поиска
ctrl <- makeTuneControlRandom(maxit = 10)

# Подбор параметров
mytune <- tuneParams(learner = lrn, 
                     task = traintask, 
                     resampling = rdesc, 
                     par.set = params, 
                     control = ctrl, 
                     show.info = T)
# [Tune-y] 10: mmce.test.mean=0.525; time: 0.0 min
# [Tune] Result: booster=gbtree; max_depth=10; min_child_weight=5; 
# subsample=0.99; colsample_bytree=0.907 : mmce.test.mean=0.516

# Xgboost-model

# Параметры модели
param <- list(
    "num_class" = 10,
    "objective" = "multi:softmax",
    "eval_metric" = "merror",
    "eta" = 0.03,
    "max_depth" = 10,
    "min_child_weight" = 5, 
    "subsample" = 0.99,
    "colsample_bytree" = 0.907)

# Расчёт количества итераций
model <- xgb.cv(data = train.m,
                params = param,
                nfold = 4,
                nrounds = 20000,
                early_stopping_round = 100)
# Stopping. Best iteration:
# [84]  train-merror:0.462308+0.015107  test-merror:0.509050+0.028020

# Xgboost-модель
model <- xgboost(data = train.m,
                 params = param,
                 nrounds = 84,
                 scale_pos_weight = 5)

# Создание test-matrix
y.test <- test$class
test <- data.matrix(test[,-4])

# График информативности признаков
mat <- xgb.importance(feature_names = colnames(train.m), model = model)
xgb.plot.importance(importance_matrix = mat, 
                    main = "Информативность признаков:")

# Предсказание
y.predict <- predict(model, test, nrounds = 84, scale_pos_weight = 5)

# Замена классов на города
replace.class <- function(x){
    for (i in unique(x)) {
        x[x == i] <- City.class$City[City.class$class == i]
    }
    return(x)
}

# Проверка точности
confusionMatrix(replace.class(y.predict), replace.class(y.test))

# Тестирование модели
# Генерация случайного датасета
df_test <- data.frame(hours = as.numeric(sample(x = c(0:23), size = 10, 
                          replace = T)),
                      minutes = as.numeric(sample(x = c(0:59), size = 10, 
                          replace = T)),
                      days = as.numeric(sample(x = c(1:7), size = 10, 
                          replace = T)))
# Предсказание
df_test$City <- replace.class(predict(model, data.matrix(df_test), nrounds = 84, 
                      scale_pos_weight = 5))

# Отрисовка таблицы
df_test <- df_test[c("City", "days", "hours", "minutes")]
colnames(df_test) <- c("Пункт назначения", 
                       "День недели", 
                       "Час отправления", 
                       "Минуты оправления")
df_test <- df_test %>% arrange(`Час отправления`)
grid.text("Предсказание маршрута с помощью модели xgboost",
          x = 0.5, y = 0.93, just = c("centre", "bottom"), 
          gp = gpar(fontsize = 16))
grid.table(df_test)
grid.text("Источник: blablacar.ru",
          x = 0.02, y = 0.01, just = c("left", "bottom"), 
          gp = gpar(fontsize = 11))
grid.text(" silentio.su",
          x = 0.98, y = 0.01, just = c("right", "bottom"), 
          gp = gpar(fontsize = 11))

image


Если ответить на вопрос, вынесенный в заголовок, то ответ: «Да, из Клинцов можно уехать. только недалеко Это ж не Омск».


Tags:
Hubs:
+33
Comments 9
Comments Comments 9

Articles