欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營(yíng)的一線實(shí)戰(zhàn)洞察。

XGBoost多輸出回歸實(shí)戰(zhàn):數(shù)學(xué)建模競(jìng)賽中的MIMO預(yù)測(cè)模型構(gòu)建與調(diào)優(yōu)

XGBoost多輸出回歸實(shí)戰(zhàn):數(shù)學(xué)建模競(jìng)賽中的MIMO預(yù)測(cè)模型構(gòu)建與調(diào)優(yōu) 1. 從單輸出到多輸出為什么數(shù)學(xué)建模競(jìng)賽越來(lái)越青睞MIMO回歸如果你參加過(guò)近幾年的數(shù)學(xué)建模競(jìng)賽無(wú)論是國(guó)賽、美賽還是亞太杯你會(huì)發(fā)現(xiàn)一個(gè)明顯的趨勢(shì)賽題越來(lái)越“貪心”。組委會(huì)不再滿足于讓你預(yù)測(cè)一個(gè)單一的指標(biāo)比如“預(yù)測(cè)某地未來(lái)24小時(shí)的PM2.5濃度”。他們更傾向于拋出這樣的問(wèn)題“預(yù)測(cè)未來(lái)一周內(nèi)某城市多個(gè)監(jiān)測(cè)點(diǎn)的PM2.5、SO2、NO2濃度并分析其空間分布規(guī)律”。從預(yù)測(cè)一個(gè)值到同時(shí)預(yù)測(cè)一整套相互關(guān)聯(lián)的值這就是多輸入多輸出Multi-Input Multi-Output, MIMO回歸預(yù)測(cè)模型要解決的核心問(wèn)題。這背后反映的是現(xiàn)實(shí)世界問(wèn)題的復(fù)雜性。在環(huán)境科學(xué)、金融風(fēng)控、工業(yè)生產(chǎn)、醫(yī)療診斷等領(lǐng)域變量之間很少是孤立的。預(yù)測(cè)股票價(jià)格時(shí)你不可能只關(guān)心收盤價(jià)開盤價(jià)、最高價(jià)、最低價(jià)、成交量這些指標(biāo)天然就是一套需要同時(shí)預(yù)測(cè)的“套餐”。在工業(yè)生產(chǎn)中一個(gè)工藝參數(shù)的變化可能同時(shí)影響產(chǎn)品的多個(gè)質(zhì)量指標(biāo)如強(qiáng)度、韌性、純度。如果我們還沿用傳統(tǒng)的“單輸出”模型為每個(gè)指標(biāo)單獨(dú)訓(xùn)練一個(gè)模型不僅計(jì)算成本高更重要的是模型之間完全割裂無(wú)法捕捉和利用輸出變量之間潛在的相關(guān)性這會(huì)導(dǎo)致預(yù)測(cè)結(jié)果在整體上不協(xié)調(diào)甚至出現(xiàn)邏輯矛盾。因此掌握MIMO回歸模型已經(jīng)成為數(shù)學(xué)建模參賽者從“會(huì)做題”到“做好題”的關(guān)鍵分水嶺。它讓你有能力處理更復(fù)雜、更貼近實(shí)際的賽題在論文中展現(xiàn)出更高的建模視野和技術(shù)深度。而XGBoost作為機(jī)器學(xué)習(xí)競(jìng)賽和工業(yè)界經(jīng)久不衰的“神器”以其卓越的性能、高效的計(jì)算和對(duì)復(fù)雜關(guān)系強(qiáng)大的捕捉能力自然成為了實(shí)現(xiàn)MIMO回歸預(yù)測(cè)的絕佳載體。今天我就結(jié)合自己多次帶隊(duì)參賽和項(xiàng)目實(shí)戰(zhàn)的經(jīng)驗(yàn)手把手帶你拆解如何用XGBoost構(gòu)建一個(gè)穩(wěn)健、高效的多輸出回歸預(yù)測(cè)模型并分享那些官方文檔里不會(huì)寫的“踩坑”實(shí)錄。2. 理解MIMO回歸不止是多個(gè)模型的簡(jiǎn)單堆疊在深入代碼之前我們必須從原理上厘清MIMO回歸與多個(gè)獨(dú)立單輸出模型的本質(zhì)區(qū)別。很多人初學(xué)者的誤區(qū)是MIMO不就是訓(xùn)練N個(gè)模型每個(gè)模型預(yù)測(cè)一個(gè)輸出嗎如果真是這樣那這個(gè)概念就毫無(wú)新意了。真正的MIMO模型其價(jià)值在于聯(lián)合建模。2.1 核心思想利用輸出間的相關(guān)性提升整體精度想象一下你要預(yù)測(cè)一個(gè)人的身高和體重。如果分開預(yù)測(cè)預(yù)測(cè)身高的模型完全不知道體重的信息反之亦然。但常識(shí)告訴我們身高和體重是強(qiáng)相關(guān)的。一個(gè)預(yù)測(cè)出身高很高但體重很輕的個(gè)體在現(xiàn)實(shí)中是罕見(jiàn)的。MIMO模型在訓(xùn)練時(shí)其損失函數(shù)會(huì)同時(shí)考慮所有輸出變量的誤差并在優(yōu)化過(guò)程中隱式地學(xué)習(xí)到這些輸出變量之間的協(xié)方差結(jié)構(gòu)。以XGBoost為例當(dāng)我們將其擴(kuò)展用于MIMO任務(wù)時(shí)通常通過(guò)multioutput策略模型在構(gòu)建每一棵樹時(shí)選擇的特征分裂點(diǎn)不僅要能最好地區(qū)分單個(gè)目標(biāo)值的差異更要能同時(shí)區(qū)分所有目標(biāo)值構(gòu)成的多維向量的差異。這相當(dāng)于在特征空間中尋找能同時(shí)優(yōu)化所有輸出預(yù)測(cè)能力的規(guī)則。當(dāng)輸出變量間存在正相關(guān)或負(fù)相關(guān)時(shí)這種聯(lián)合學(xué)習(xí)能有效利用這些信息往往能獲得比獨(dú)立模型集更好的泛化性能特別是在訓(xùn)練數(shù)據(jù)有限的情況下數(shù)學(xué)建模競(jìng)賽的常態(tài)。2.2 常見(jiàn)策略與XGBoost的適配性實(shí)現(xiàn)MIMO回歸主要有兩大類策略問(wèn)題轉(zhuǎn)換法將多輸出問(wèn)題分解為多個(gè)單輸出問(wèn)題。這就是前面提到的獨(dú)立模型法。此外還有一種更巧妙的方法叫“輸出編碼”比如將多個(gè)連續(xù)輸出通過(guò)某種方式如PCA壓縮成一個(gè)標(biāo)簽但這對(duì)于回歸問(wèn)題處理起來(lái)比較麻煩更常用于多標(biāo)簽分類。算法擴(kuò)展法直接修改算法內(nèi)部機(jī)制使其能原生處理多輸出。一些算法如決策樹、支持向量回歸SVR有天然的多輸出擴(kuò)展。XGBoost屬于第二類。雖然其核心是 boosting 決策樹但通過(guò)設(shè)置objectivereg:squarederror并配合multioutput參數(shù)在某些接口中或者更常見(jiàn)地使用scikit-learn的MultiOutputRegressor包裝器可以使其支持多輸出。MultiOutputRegressor的本質(zhì)是為每個(gè)輸出訓(xùn)練一個(gè)獨(dú)立的XGBoost模型但它提供了一個(gè)統(tǒng)一的接口并且在某些實(shí)現(xiàn)中可以進(jìn)行并行訓(xùn)練方便了我們的使用。而一些更底層的庫(kù)如xgboost的DMatrix可以直接接受二維的目標(biāo)值y實(shí)現(xiàn)真正的聯(lián)合訓(xùn)練這通常能帶來(lái)更好的效果但需要對(duì)XGBoost有更深的理解和自定義能力。對(duì)于數(shù)學(xué)建模競(jìng)賽我推薦優(yōu)先使用sklearn.multioutput.MultiOutputRegressor包裝XGBoost。理由很實(shí)際穩(wěn)。它減少了因輸出維度帶來(lái)的復(fù)雜調(diào)試每個(gè)輸出一個(gè)模型思路清晰易于解釋而且sklearn的管道Pipeline和網(wǎng)格搜索GridSearchCV能無(wú)縫集成極大簡(jiǎn)化了我們的調(diào)參和驗(yàn)證流程。在論文中你可以清晰地闡述“我們?yōu)槊總€(gè)預(yù)測(cè)變量建立了一個(gè)XGBoost模型并利用集成思想進(jìn)行預(yù)測(cè)”這完全符合評(píng)委的審閱邏輯。3. 實(shí)戰(zhàn)構(gòu)建從數(shù)據(jù)準(zhǔn)備到模型訓(xùn)練的全流程拆解理論說(shuō)得再多不如一行代碼。我們假設(shè)一個(gè)經(jīng)典的數(shù)學(xué)建模場(chǎng)景預(yù)測(cè)城市多個(gè)區(qū)域的空氣質(zhì)量指數(shù)AQI及其主要組分PM2.5, PM10, SO2, NO2, CO, O3。輸入特征可能包括氣象數(shù)據(jù)溫度、濕度、風(fēng)速、氣壓、時(shí)間特征小時(shí)、星期、是否節(jié)假日、歷史污染物濃度、以及可能的空間特征區(qū)域編碼、與污染源的距離。3.1 環(huán)境準(zhǔn)備與數(shù)據(jù)預(yù)處理首先確保你的環(huán)境安裝了必要的庫(kù)。除了經(jīng)典的pandas,numpy,matplotlib核心是xgboost和scikit-learn。pip install xgboost scikit-learn pandas numpy matplotlib seaborn數(shù)據(jù)預(yù)處理是模型成功的基石對(duì)于MIMO問(wèn)題尤其重要。import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.multioutput import MultiOutputRegressor import xgboost as xgb import warnings warnings.filterwarnings(ignore) # 1. 加載數(shù)據(jù) # 假設(shè) df 是一個(gè) DataFrame 列包括特征和多個(gè)目標(biāo)變量 # 例如特征列: [‘temp’, ‘humidity’, ‘wind_speed’, ‘hour’, ‘day_of_week’, ‘PM2.5_lag1’, ...] # 目標(biāo)列: [‘PM2.5’, ‘PM10’, ‘SO2’, ‘NO2’, ‘CO’, ‘O3’] df pd.read_csv(air_quality_data.csv) # 2. 劃分特征和目標(biāo) X df.drop(columns[PM2.5, ‘PM10’, ‘SO2’, ‘NO2’, ‘CO’, ‘O3’]) # 請(qǐng)?zhí)鎿Q為你的目標(biāo)列名 y df[[PM2.5, ‘PM10’, ‘SO2’, ‘NO2’, ‘CO’, ‘O3’]] # 注意y 現(xiàn)在是一個(gè) DataFrame 或二維數(shù)組 # 3. 處理缺失值根據(jù)數(shù)據(jù)情況選擇 # 對(duì)于特征X常用填充均值、中位數(shù)、前后值或刪除。 # 對(duì)于時(shí)間序列前向填充ffill可能更合理。 X X.fillna(methodffill).fillna(methodbfill) # 先前填充后后填充 # 對(duì)于目標(biāo)y如果缺失嚴(yán)重可能需要考慮刪除該樣本因?yàn)槲覀兪潜O(jiān)督學(xué)習(xí)。 y y.fillna(methodffill).fillna(methodbfill) # 4. 劃分訓(xùn)練集和測(cè)試集 # 對(duì)于時(shí)間序列數(shù)據(jù)切記不能隨機(jī)劃分必須按時(shí)間順序劃分。 # 假設(shè)數(shù)據(jù)是按時(shí)間排序的 split_ratio 0.8 split_idx int(len(X) * split_ratio) X_train, X_test X.iloc[:split_idx], X.iloc[split_idx:] y_train, y_test y.iloc[:split_idx], y.iloc[split_idx:] # 5. 特征標(biāo)準(zhǔn)化/歸一化 # XGBoost基于樹模型理論上不需要對(duì)特征進(jìn)行縮放但對(duì)連續(xù)型特征進(jìn)行標(biāo)準(zhǔn)化有時(shí)能加速收斂。 # 更重要的是如果你的特征量綱差異巨大如距離是千米濃度是微克/立方米 # 標(biāo)準(zhǔn)化可以避免數(shù)值問(wèn)題并使后續(xù)分析如特征重要性更公平。 scaler_X StandardScaler() X_train_scaled scaler_X.fit_transform(X_train) X_test_scaled scaler_X.transform(X_train) # 注意使用訓(xùn)練集的參數(shù)轉(zhuǎn)換測(cè)試集 # 對(duì)于目標(biāo)變量y是否要標(biāo)準(zhǔn)化這是一個(gè)關(guān)鍵選擇。 # 如果多個(gè)目標(biāo)變量的量綱和范圍差異很大如PM2.5在0-500CO在0-10 # 直接使用原始值訓(xùn)練模型可能會(huì)被數(shù)值大的目標(biāo)如PM2.5主導(dǎo)導(dǎo)致對(duì)小數(shù)值目標(biāo)如CO預(yù)測(cè)不準(zhǔn)。 # 因此對(duì)y進(jìn)行標(biāo)準(zhǔn)化通常是MIMO回歸的好習(xí)慣。 scaler_y StandardScaler() y_train_scaled scaler_y.fit_transform(y_train) # y_test 我們暫時(shí)不轉(zhuǎn)換用于最終評(píng)估時(shí)反標(biāo)準(zhǔn)化。注意這里有一個(gè)極易踩坑的點(diǎn)。很多同學(xué)在對(duì)目標(biāo)變量y進(jìn)行標(biāo)準(zhǔn)化后直接用標(biāo)準(zhǔn)化后的y計(jì)算評(píng)估指標(biāo)如RMSE得到一個(gè)非常小的、看似很棒的數(shù)字比如0.1。這是完全錯(cuò)誤的這個(gè)0.1是標(biāo)準(zhǔn)化后空間的誤差沒(méi)有物理意義。正確的做法是用訓(xùn)練好的模型預(yù)測(cè)得到標(biāo)準(zhǔn)化后的結(jié)果y_pred_scaled然后通過(guò)scaler_y.inverse_transform(y_pred_scaled)反標(biāo)準(zhǔn)化回原始量綱再與原始的y_test計(jì)算誤差指標(biāo)。3.2 構(gòu)建與訓(xùn)練MultiOutput XGBoost模型接下來(lái)是核心的模型構(gòu)建環(huán)節(jié)。我們將使用sklearn的 API因?yàn)樗衔覀兊慕A?xí)慣且易于集成到更復(fù)雜的工作流中。# 1. 定義基礎(chǔ)XGBoost回歸器 # 這里先使用一組相對(duì)保守的初始參數(shù) base_xgb xgb.XGBRegressor( objectivereg:squarederror, # 回歸任務(wù)使用平方誤差 n_estimators200, # 樹的棵樹可以先設(shè)一個(gè)中等值后續(xù)通過(guò)早停優(yōu)化 learning_rate0.05, # 學(xué)習(xí)率小一些通常更穩(wěn)健但需要更多樹 max_depth6, # 樹的最大深度控制模型復(fù)雜度防止過(guò)擬合 subsample0.8, # 每棵樹隨機(jī)采樣的樣本比例 colsample_bytree0.8, # 每棵樹隨機(jī)采樣的特征比例 random_state42, # 隨機(jī)種子保證結(jié)果可復(fù)現(xiàn) n_jobs-1 # 使用所有CPU核心并行訓(xùn)練 ) # 2. 使用MultiOutputRegressor進(jìn)行包裝 multi_output_model MultiOutputRegressor(base_xgb) # 3. 訓(xùn)練模型 print(開始訓(xùn)練MultiOutput XGBoost模型...) multi_output_model.fit(X_train_scaled, y_train_scaled) print(訓(xùn)練完成)這個(gè)過(guò)程會(huì)為y的每一個(gè)維度本例中是6種污染物訓(xùn)練一個(gè)獨(dú)立的XGBoost模型。MultiOutputRegressor會(huì)管理這6個(gè)模型當(dāng)我們調(diào)用predict時(shí)它會(huì)收集所有模型的預(yù)測(cè)結(jié)果并組合成一個(gè)[n_samples, n_outputs]的數(shù)組。3.3 模型預(yù)測(cè)與結(jié)果反標(biāo)準(zhǔn)化訓(xùn)練完成后進(jìn)行預(yù)測(cè)并評(píng)估。# 1. 在測(cè)試集上進(jìn)行預(yù)測(cè)得到的是標(biāo)準(zhǔn)化后的結(jié)果 y_pred_scaled multi_output_model.predict(X_test_scaled) # 形狀: (n_test_samples, 6) # 2. 將預(yù)測(cè)結(jié)果反標(biāo)準(zhǔn)化回原始量綱 y_pred scaler_y.inverse_transform(y_pred_scaled) # 3. 計(jì)算整體評(píng)估指標(biāo) from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score # 計(jì)算每個(gè)輸出變量的指標(biāo) metrics_per_output {} for i, col in enumerate(y_test.columns): mse mean_squared_error(y_test.iloc[:, i], y_pred[:, i]) rmse np.sqrt(mse) mae mean_absolute_error(y_test.iloc[:, i], y_pred[:, i]) r2 r2_score(y_test.iloc[:, i], y_pred[:, i]) metrics_per_output[col] {RMSE: rmse, ‘MAE’: mae, ‘R2’: r2} print(f{col}: RMSE {rmse:.2f}, MAE {mae:.2f}, R2 {r2:.4f}) # 計(jì)算所有輸出變量的平均指標(biāo)有時(shí)也很有參考價(jià)值 total_mse mean_squared_error(y_test, y_pred, multioutputuniform_average) total_rmse np.sqrt(total_mse) total_r2 r2_score(y_test, y_pred, multioutputuniform_average) print(f\n整體平均指標(biāo) - RMSE: {total_rmse:.2f}, R2: {total_r2:.4f})3.4 可視化分析讓結(jié)果說(shuō)話在數(shù)學(xué)建模論文中精美的可視化是獲得高分的關(guān)鍵。我們需要從多個(gè)角度展示預(yù)測(cè)效果。import matplotlib.pyplot as plt import seaborn as sns # 設(shè)置繪圖風(fēng)格 sns.set_style(whitegrid) plt.figure(figsize(16, 10)) # 1. 繪制每個(gè)輸出變量的真實(shí)值 vs 預(yù)測(cè)值散點(diǎn)圖 outputs y_test.columns for idx, col in enumerate(outputs): plt.subplot(2, 3, idx1) # 假設(shè)有6個(gè)輸出排成2行3列 plt.scatter(y_test[col], y_pred[:, idx], alpha0.5, s20) # 繪制對(duì)角線完美預(yù)測(cè)線 min_val min(y_test[col].min(), y_pred[:, idx].min()) max_val max(y_test[col].max(), y_pred[:, idx].max()) plt.plot([min_val, max_val], [min_val, max_val], r--, lw2) plt.xlabel(True col) plt.ylabel(Predicted col) plt.title(f{col}: R2 {metrics_per_output[col][“R2”]:.3f}) plt.tight_layout() plt.suptitle(各污染物預(yù)測(cè)值與真實(shí)值散點(diǎn)對(duì)比, fontsize16, y1.02) plt.show() # 2. 繪制一段時(shí)間序列的對(duì)比以PM2.5為例 sample_idx 0 # 選擇第一個(gè)輸出變量例如PM2.5 plt.figure(figsize(14, 5)) plt.plot(y_test.iloc[:100, sample_idx].values, labelTrue, markero, markersize3) plt.plot(y_pred[:100, sample_idx], labelPredicted, markers, markersize3) plt.xlabel(Time Step (Sample Index)) plt.ylabel(y_test.columns[sample_idx]) plt.title(f{y_test.columns[sample_idx]} - 真實(shí)值與預(yù)測(cè)值時(shí)間序列對(duì)比 (前100個(gè)樣本)) plt.legend() plt.grid(True, linestyle--, alpha0.7) plt.show() # 3. 繪制各輸出變量預(yù)測(cè)誤差如RMSE的柱狀圖直觀比較不同變量的預(yù)測(cè)難度 errors [metrics_per_output[col][‘RMSE’] for col in outputs] plt.figure(figsize(10, 6)) bars plt.bar(outputs, errors, colorsns.color_palette(“husl”, len(outputs))) plt.xlabel(Pollutant) plt.ylabel(RMSE) plt.title(各污染物預(yù)測(cè)RMSE對(duì)比) # 在柱子上方添加數(shù)值 for bar, error in zip(bars, errors): plt.text(bar.get_x() bar.get_width()/2, bar.get_height() max(errors)*0.01, f{error:.1f}, hacenter, vabottom) plt.xticks(rotation45) plt.tight_layout() plt.show()這些圖表能非常直觀地展示模型在每個(gè)具體輸出上的性能以及不同污染物預(yù)測(cè)的難易程度為你的論文提供強(qiáng)有力的論據(jù)支撐。4. 性能飛躍針對(duì)MIMO場(chǎng)景的XGBoost高級(jí)調(diào)優(yōu)策略用默認(rèn)參數(shù)跑通模型只是第一步。要讓模型在競(jìng)賽中脫穎而出精細(xì)化的調(diào)優(yōu)必不可少。針對(duì)MIMO時(shí)間序列的特點(diǎn)我們的調(diào)優(yōu)需要有側(cè)重點(diǎn)。4.1 超參數(shù)調(diào)優(yōu)網(wǎng)格搜索與隨機(jī)搜索雖然我們有6個(gè)獨(dú)立的模型但通常假設(shè)它們的最佳超參數(shù)是相似的因?yàn)閿?shù)據(jù)特征相同。我們可以使用GridSearchCV或RandomizedSearchCV對(duì)一個(gè)輸出如最重要的PM2.5進(jìn)行調(diào)優(yōu)然后將找到的最佳參數(shù)集應(yīng)用于所有輸出模型或者作為MultiOutputRegressor的通用參數(shù)。這是效率與效果的一個(gè)平衡。from sklearn.model_selection import GridSearchCV, TimeSeriesSplit # 由于是時(shí)間序列數(shù)據(jù)我們不能用簡(jiǎn)單的K折交叉驗(yàn)證要用時(shí)間序列分割 tscv TimeSeriesSplit(n_splits5) # 定義要搜索的參數(shù)網(wǎng)格 param_grid { ‘estimator__n_estimators’: [100, 200, 300], ‘estimator__learning_rate’: [0.01, 0.05, 0.1], ‘estimator__max_depth’: [3, 6, 9], ‘estimator__subsample’: [0.7, 0.8, 1.0], ‘estimator__colsample_bytree’: [0.7, 0.8, 1.0], ‘estimator__gamma’: [0, 0.1, 0.2], # 節(jié)點(diǎn)分裂所需的最小損失減少 } # 創(chuàng)建一個(gè)新的基礎(chǔ)模型用于搜索 base_for_search xgb.XGBRegressor(objectivereg:squarederror, random_state42, n_jobs-1) multi_for_search MultiOutputRegressor(base_for_search) # 為了節(jié)省時(shí)間我們只針對(duì)第一個(gè)輸出索引0進(jìn)行調(diào)參。 # 注意GridSearchCV會(huì)嘗試擬合所有輸出但我們通過(guò)‘scoring’參數(shù)指定只評(píng)估第一個(gè)輸出。 # 這里需要一個(gè)自定義的scorer或者使用sklearn的‘make_scorer’配合多輸出評(píng)估。 # 更簡(jiǎn)單直接的方法單獨(dú)拿出第一個(gè)目標(biāo)變量來(lái)調(diào)參。 print(“針對(duì)第一個(gè)輸出變量進(jìn)行超參數(shù)調(diào)優(yōu)...”) y_train_single y_train_scaled[:, 0] # 取第一個(gè)目標(biāo)變量 grid_search GridSearchCV( estimatorbase_for_search, # 這次是對(duì)單個(gè)XGBRegressor調(diào)參 param_gridparam_grid, cvtscv, scoringneg_mean_squared_error, # 負(fù)均方誤差sklearn約定越大越好 verbose1, n_jobs-1 ) grid_search.fit(X_train_scaled, y_train_single) print(“最佳參數(shù)”, grid_search.best_params_) print(“最佳交叉驗(yàn)證分?jǐn)?shù)負(fù)MSE:”, grid_search.best_score_) # 使用找到的最佳參數(shù)重新定義我們的MultiOutput模型 best_params grid_search.best_params_ # 注意grid_search.best_estimator_ 已經(jīng)是一個(gè)擬合好的單輸出模型。 # 我們需要用這些參數(shù)重新初始化一個(gè)MultiOutput模型。 optimized_base_xgb xgb.XGBRegressor(**best_params, objectivereg:squarederror, random_state42, n_jobs-1) optimized_multi_model MultiOutputRegressor(optimized_base_xgb) optimized_multi_model.fit(X_train_scaled, y_train_scaled)實(shí)操心得對(duì)于數(shù)學(xué)建模競(jìng)賽時(shí)間有限進(jìn)行全量的網(wǎng)格搜索可能不現(xiàn)實(shí)。我常用的策略是兩階段調(diào)優(yōu)第一階段用RandomizedSearchCV進(jìn)行較廣范圍的隨機(jī)搜索迭代50-100次快速定位參數(shù)的大致優(yōu)區(qū)第二階段在優(yōu)區(qū)附近用小范圍的GridSearchCV進(jìn)行精細(xì)搜索。同時(shí)learning_rate和n_estimators是一對(duì)需要聯(lián)合考慮的黃金參數(shù)。較小的learning_rate需要更多的樹n_estimators來(lái)達(dá)到好的效果但模型更穩(wěn)健不易過(guò)擬合。我通常先固定一個(gè)較小的learning_rate如0.05然后用早停法early_stopping_rounds來(lái)確定大致需要的樹的數(shù)量再以此為基礎(chǔ)調(diào)其他參數(shù)。4.2 特征工程為時(shí)間序列與空間關(guān)聯(lián)注入先驗(yàn)知識(shí)XGBoost雖然能自動(dòng)處理特征交互但好的特征工程能極大降低模型學(xué)習(xí)難度提升性能和可解釋性。對(duì)于我們的多輸出空氣質(zhì)量預(yù)測(cè)場(chǎng)景時(shí)間特征除了簡(jiǎn)單的“小時(shí)”、“星期幾”可以構(gòu)造“是否工作日”、“是否節(jié)假日”、“一天中的時(shí)段早晨、下午、晚上、深夜”、“季度”、“月份”等周期性特征。對(duì)于小時(shí)、星期幾這類循環(huán)特征建議使用正弦余弦編碼以體現(xiàn)其周期性如周一和周日本質(zhì)上相鄰。df[hour_sin] np.sin(2 * np.pi * df[hour] / 24) df[hour_cos] np.cos(2 * np.pi * df[hour] / 24) df[week_sin] np.sin(2 * np.pi * df[day_of_week] / 7) df[week_cos] np.cos(2 * np.pi * df[day_of_week] / 7)滯后特征這是時(shí)間序列預(yù)測(cè)的靈魂。不僅為目標(biāo)變量創(chuàng)建滯后項(xiàng)如PM2.5前1小時(shí)、前3小時(shí)、前24小時(shí)的值也可以為重要的輸入特征如風(fēng)速、溫度創(chuàng)建滯后項(xiàng)。這相當(dāng)于給模型提供了“記憶”。for lag in [1, 3, 6, 12, 24]: # 根據(jù)數(shù)據(jù)采樣頻率決定 df[f‘PM2.5_lag_{lag}’] df[‘PM2.5’].shift(lag) df[f‘wind_speed_lag_{lag}’] df[‘wind_speed’].shift(lag) # 注意創(chuàng)建滯后特征后前l(fā)ag行會(huì)變成NaN需要?jiǎng)h除或填充滑動(dòng)窗口統(tǒng)計(jì)特征計(jì)算過(guò)去一段時(shí)間窗口內(nèi)的統(tǒng)計(jì)量如均值、標(biāo)準(zhǔn)差、最大值、最小值。這能幫助模型捕捉短期趨勢(shì)和波動(dòng)。window_sizes [3, 6, 12] for w in window_sizes: df[f‘PM2.5_rolling_mean_{w}’] df[‘PM2.5’].rolling(windoww, min_periods1).mean() df[f‘PM2.5_rolling_std_{w}’] df[‘PM2.5’].rolling(windoww, min_periods1).std()空間交互特征如果數(shù)據(jù)包含多個(gè)區(qū)域可以構(gòu)造區(qū)域之間的污染物濃度差值、比值或者使用空間插值如Kriging得到的背景場(chǎng)濃度作為特征。領(lǐng)域知識(shí)特征例如根據(jù)氣象學(xué)知識(shí)構(gòu)造“大氣穩(wěn)定度指數(shù)”、“通風(fēng)系數(shù)”風(fēng)速與混合層高度的乘積等復(fù)合特征。這些特征往往有奇效。4.3 集成學(xué)習(xí)與模型融合進(jìn)階MultiOutputRegressor已經(jīng)是一種簡(jiǎn)單的模型集成多個(gè)模型的集合。我們還可以更進(jìn)一步Stacking集成用第一層多個(gè)不同的基模型如XGBoost, LightGBM, RandomForest分別進(jìn)行MIMO預(yù)測(cè)然后將它們的預(yù)測(cè)結(jié)果作為新的特征輸入到第二層的一個(gè)元模型通常是線性回歸或簡(jiǎn)單的XGBoost中進(jìn)行最終預(yù)測(cè)。這能有效融合不同模型的優(yōu)勢(shì)。針對(duì)不同輸出的差異化建模如果發(fā)現(xiàn)某些輸出變量如O3的預(yù)測(cè)效果明顯差于其他不要死磕一套參數(shù)。可以單獨(dú)為這個(gè)“困難戶”設(shè)計(jì)更復(fù)雜的特征或者嘗試不同的模型如對(duì)于具有強(qiáng)周期性的O3可以結(jié)合SARIMA模型進(jìn)行混合預(yù)測(cè)。5. 避坑指南與競(jìng)賽實(shí)戰(zhàn)經(jīng)驗(yàn)紙上得來(lái)終覺(jué)淺絕知此事要躬行。下面是我在多次實(shí)戰(zhàn)中總結(jié)的、最容易出問(wèn)題的幾個(gè)環(huán)節(jié)。5.1 數(shù)據(jù)泄露時(shí)間序列劃分的致命陷阱這是新手甚至是有經(jīng)驗(yàn)的選手都可能犯的最大錯(cuò)誤。絕對(duì)不能使用sklearn.model_selection.train_test_split的默認(rèn)隨機(jī)劃分來(lái)處理時(shí)間序列數(shù)據(jù)隨機(jī)劃分會(huì)導(dǎo)致未來(lái)信息“泄露”到訓(xùn)練集中模型看似在測(cè)試集上表現(xiàn)驚人實(shí)則毫無(wú)泛化能力。正確做法嚴(yán)格按時(shí)間順序劃分。假設(shè)你有2020年1月到2023年12月的數(shù)據(jù)可以用2020-2022年訓(xùn)練2023年測(cè)試。在交叉驗(yàn)證時(shí)使用TimeSeriesSplit它確保訓(xùn)練集總是在測(cè)試集之前。# 錯(cuò)誤做法數(shù)據(jù)泄露 X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42) # 正確做法時(shí)間順序 split_point int(len(X) * 0.8) X_train, X_test X.iloc[:split_point], X.iloc[split_point:] y_train, y_test y.iloc[:split_point], y.iloc[split_point:]5.2 評(píng)估指標(biāo)的選擇與誤讀在MIMO回歸中評(píng)估指標(biāo)需要謹(jǐn)慎選擇和解讀。統(tǒng)一平均 vs 按輸出平均mean_squared_error(y_true, y_pred, multioutputuniform_average)計(jì)算的是所有輸出所有樣本的平均MSE。這給出了一個(gè)整體的性能概覽。但有時(shí)我們更關(guān)心每個(gè)輸出變量的單獨(dú)表現(xiàn)特別是當(dāng)它們的物理意義和重要程度不同時(shí)。務(wù)必在論文中同時(shí)展示整體指標(biāo)和分項(xiàng)指標(biāo)。R2分?jǐn)?shù)的陷阱r2_score在多輸出模式下multioutputuniform_average計(jì)算的是每個(gè)輸出R2的簡(jiǎn)單平均。但要注意R2可能為負(fù)當(dāng)模型比簡(jiǎn)單用均值預(yù)測(cè)還差時(shí)。如果某個(gè)輸出的R2為負(fù)說(shuō)明模型在該輸出上完全失敗需要單獨(dú)分析原因。量綱的影響RMSE和MAE是有量綱的直接比較不同量綱輸出的誤差大小沒(méi)有意義。比較PM2.5的RMSE10和CO的RMSE0.5并不能說(shuō)前者預(yù)測(cè)得差。通常需要結(jié)合業(yè)務(wù)背景或者使用標(biāo)準(zhǔn)化后的誤差如NRMSE歸一化均方根誤差進(jìn)行比較。5.3 特征重要性分析多輸出下的復(fù)雜解讀XGBoost提供了強(qiáng)大的特征重要性分析feature_importances_。但在MultiOutputRegressor包裝下每個(gè)輸出模型都有自己的特征重要性。如何呈現(xiàn)分別展示為每個(gè)重要輸出如PM2.5和O3繪制其特征重要性條形圖分析影響不同污染物的主導(dǎo)因素有何異同。這能體現(xiàn)你分析的深度。聚合展示計(jì)算所有輸出模型特征重要性的平均值或加權(quán)平均按R2加權(quán)得到一組“全局”重要性特征。這有助于識(shí)別對(duì)整體預(yù)測(cè)貢獻(xiàn)最大的特征。importances [] for idx, estimator in enumerate(optimized_multi_model.estimators_): importances.append(estimator.feature_importances_) avg_importance np.mean(importances, axis0) # 然后繪制 avg_importance 的條形圖5.4 過(guò)擬合與早停法XGBoost雖然通過(guò)正則化項(xiàng)有一定抗過(guò)擬合能力但在數(shù)據(jù)量有限或噪聲大的競(jìng)賽場(chǎng)景下過(guò)擬合風(fēng)險(xiǎn)依然存在。除了調(diào)整max_depth,gamma,subsample等參數(shù)早停法是最有效的工具。我們可以利用驗(yàn)證集進(jìn)行早停。但注意在時(shí)間序列中驗(yàn)證集也必須是訓(xùn)練集時(shí)間線之后的連續(xù)數(shù)據(jù)塊。# 從訓(xùn)練集中再分出一部分作為驗(yàn)證集用于早停 X_train_main, X_val, y_train_main, y_val train_test_split(X_train_scaled, y_train_scaled, test_size0.2, shuffleFalse) # shuffleFalse! # 使用原生XGBoost接口進(jìn)行訓(xùn)練以便使用早停回調(diào) # 我們需要為每個(gè)輸出單獨(dú)做這里以第一個(gè)輸出為例 dtrain xgb.DMatrix(X_train_main, labely_train_main[:, 0]) dval xgb.DMatrix(X_val, labely_val[:, 0]) params { ‘objective’: ‘reg:squarederror’, ‘learning_rate’: 0.05, ‘max_depth’: 6, ‘subsample’: 0.8, ‘colsample_bytree’: 0.8, ‘seed’: 42 } evals [(dtrain, ‘train’), (dval, ‘eval’)] model_single xgb.train(params, dtrain, num_boost_round1000, evalsevals, early_stopping_rounds50, verbose_eval50) # 輸出會(huì)顯示在驗(yàn)證集上性能不再提升時(shí)即停止并返回最佳迭代次數(shù)。 best_n_estimators model_single.best_iteration將這個(gè)best_n_estimators應(yīng)用到我們的MultiOutputRegressor的n_estimators參數(shù)中可以避免不必要的過(guò)擬合。6. 從模型到論文如何在數(shù)學(xué)建模競(jìng)賽中呈現(xiàn)你的工作構(gòu)建一個(gè)強(qiáng)大的模型只是成功的一半如何在論文中清晰、專業(yè)地呈現(xiàn)它是贏得評(píng)委青睞的另一半。問(wèn)題重述與模型框架圖在模型介紹部分用一張清晰的框架圖展示你的MIMO-XGBoost預(yù)測(cè)流程。包括數(shù)據(jù)預(yù)處理、特征工程、模型構(gòu)建突出MultiOutputRegressor的并行結(jié)構(gòu)、訓(xùn)練優(yōu)化、預(yù)測(cè)與反標(biāo)準(zhǔn)化、評(píng)估反饋等環(huán)節(jié)。這能讓評(píng)委迅速把握你的技術(shù)路線。分階段闡述不要將所有代碼和步驟堆砌在一起。按照“數(shù)據(jù)預(yù)處理與特征構(gòu)造”、“多輸出預(yù)測(cè)模型構(gòu)建”、“模型訓(xùn)練與超參數(shù)優(yōu)化”、“預(yù)測(cè)結(jié)果分析與評(píng)估”的邏輯順序來(lái)組織小節(jié)。每個(gè)小節(jié)下再分點(diǎn)論述關(guān)鍵技術(shù)細(xì)節(jié)??梢暬Y(jié)果深度解讀不要僅僅把圖表貼上去。對(duì)每一張圖都要有文字描述和深入分析。例如散點(diǎn)圖指出預(yù)測(cè)值與真實(shí)值的集中分布區(qū)域點(diǎn)偏離對(duì)角線的可能原因如極端污染事件難以預(yù)測(cè)。時(shí)間序列對(duì)比圖指出模型在哪些時(shí)段如平穩(wěn)期、突變期預(yù)測(cè)效果好/差并嘗試結(jié)合特征如風(fēng)速突變解釋原因。誤差對(duì)比柱狀圖分析為什么某種污染物如O3的預(yù)測(cè)誤差最大是數(shù)據(jù)噪聲大還是其生成機(jī)理更復(fù)雜模型捕捉能力不足靈敏度分析與模型魯棒性檢驗(yàn)這是加分項(xiàng)??梢栽O(shè)計(jì)實(shí)驗(yàn)比如特征重要性消融實(shí)驗(yàn)依次移除重要性最高的特征觀察模型性能下降程度驗(yàn)證該特征的關(guān)鍵性。時(shí)間窗口靈敏度改變滯后特征和滑動(dòng)窗口的大小觀察模型性能變化確定最優(yōu)的歷史依賴長(zhǎng)度。噪聲魯棒性在輸入特征中加入不同程度的高斯噪聲測(cè)試模型預(yù)測(cè)誤差的增長(zhǎng)情況說(shuō)明模型的穩(wěn)定性。模型對(duì)比務(wù)必設(shè)置合理的基線模型進(jìn)行對(duì)比。例如基線1樸素預(yù)測(cè)用前一天同一時(shí)刻的值作為預(yù)測(cè)值持久化預(yù)測(cè)?;€2單輸出模型集用6個(gè)獨(dú)立的、未經(jīng)聯(lián)合訓(xùn)練的XGBoost模型分別預(yù)測(cè)。你的模型MIMO-XGBoost。 用表格清晰列出所有模型在所有評(píng)估指標(biāo)上的結(jié)果并用文字強(qiáng)調(diào)你的模型在哪些方面如整體RMSE、對(duì)相關(guān)性強(qiáng)的污染物預(yù)測(cè)一致性取得了顯著提升。代碼與可復(fù)現(xiàn)性在附錄中提供清晰、注釋完整的核心代碼片段如特征工程、模型定義、訓(xùn)練和評(píng)估流程。確保關(guān)鍵步驟如數(shù)據(jù)劃分、標(biāo)準(zhǔn)化的隨機(jī)種子固定聲明主要使用的庫(kù)及版本號(hào)保證評(píng)審專家可以復(fù)現(xiàn)你的結(jié)果。最后記住數(shù)學(xué)建模競(jìng)賽的核心是“用數(shù)學(xué)方法解決實(shí)際問(wèn)題”。你的論文要始終圍繞“問(wèn)題-模型-結(jié)果-分析”這條主線。XGBoost和MIMO回歸是你的工具但你的思考過(guò)程、對(duì)問(wèn)題的洞察、以及基于結(jié)果的合理化建議才是真正打動(dòng)評(píng)委的地方。把模型當(dāng)作一個(gè)黑盒子扔上去是遠(yuǎn)遠(yuǎn)不夠的你需要打開它解釋它為什么有效以及它的局限性在哪里這才是一篇優(yōu)秀論文應(yīng)有的深度。
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
www.色五月| 999热在线视频| 婷婷丁香五月亚洲免费| 密黄站| 天天射影院| 婷婷区日本| 婷婷久久色| 婷婷久久综合| 久狠狠| 色婷婷狠狠干| 丁香五月最新地址| 92久久久| 禁欲电影完整版在线播放| 丁香五月电影| 伊人狠狠综合| 精a品a视a频| 天天久久婷婷| 亚洲中文字幕AV在线| 99re在线精品视频| 国产色色视频| 日韩AV在线电影| 91九色国产| 久久性爰视频这里只有精品| 色综合开心五月深爱五月| 久久综合性| 97色射| 91色在线/日韩| 五月天婷婷开心| 久久久久久久久99精品| 五月婷婷国产| 亚洲人人艹| 色碰干| 亚洲操操| 99ri在线| 99久热在线精品| 六月婷婷久久大全| 色播丁香婷婷五月激情| 99热日本| 夜夜夜夜做天天天做无码视频| 99久久終合| 婷婷综合| 99精彩视频| 婷婷六月亚洲综合| 五月天久久91| 婷香五月激情视频| 人人播| 99re这里只有精品首页| 五月花婷婷最新| 一区二区三区视频| 欧美又粗又大一区二区在线观看| 2014天天爽| 无码啪啪| 丁香六月天AV| 色婷婷六月激情| www.99视频| 婷婷综合网性| 综合久久婷婷| 色五月婷婷开心| 五月婷婷开心亚洲无| 婷婷九九| 都市激情蜜桃婷婷五月天| 影音先锋 一区| 综合色图婷婷| 九九超碰人人| 婷婷在线日韩综合| 日都一级A片| 丁香五月瑟瑟| 影音先锋91| 亚洲自拍天堂| 思思久久网| 丁香色五月婷婷17C| 婷婷八月激情| 国产高清精品色| 99惹在线精品免费观看| 婷婷六月插屄激情| 99久久网站| 伊人五月婷婷| 91狠狠色丁香婷婷综合久久精品| 丁香网五月天| 在线资源av-超碰中文在线-成人AV| 色婷婷综合电影| 怡红院成人AV| 婷婷六月丁香开心深深爱| 五月色综合网欧美网| 久久五月天精品视频| 97色天堂| 成人va在线观看视频| 五月六月丁香婷婷在线观看| 日日夜夜综合| 97人妻碰碰中文无码久热丝袜| WWW,五月| 182tv992tv人之初午夜免费观看| 久久久久8888| 襙比视频| AV片一区在线观看| 色五月色综合| 91日本在线观看| 婷婷性爱| 99精品小视频| 丁香五月av| 日本人人超碰| 国产色网站| 婷婷在线播放av| 五月婷婷免费| 99噜噜| 性爱视频99| 五月天伊人| 亚洲成人av中文| 无码人妻一区二区一牛影视| 天天操夜夜爽天天操| 色色热| 五月婷婷与六月丁香图片激情| 色播丁香| 久久天堂婷婷五月| 色丁香综合影院| 久久狠狠色| 丁香五月乱中文字幕| www,婷婷五月天,com| 五月丁香777| 99操逼| 国产毛片精品一区二区色欲黄A片| 伊人九九68| 91精品久久久久久久久久久久| 婷婷色色狠狠| 五月婷婷丁香啪啪| 色婷婷狠狠18yy| 成人五月天丁香| 亚洲人妻AV| 99热这里只有在线播放| 97人人操| 激情丁香五月天图片| www.99热| 五月丁香六月激情综合| 新激情五月天| 久久与婷婷| 能看的AV| 日韩精品在线观看9| 五月婷婷与六月丁香图片激情| 开心激情久久久久久久| 激情婷婷丁香色五月综合| 日日综合网| 99热这里只有精品9| 激情碰碰碰| 色狠狠激情五月| 午夜丁香五月天综合| 婷婷色色五月| 五月婷婷七月丁香| 99性爱视频网站| 91狠狠综合久久久久久| 91丨九色丨白浆秘| 欧美婷婷成人| 五月丁香婷婷老司机| 色丁香五月天射婷婷爱婷婷| 色综合久久综合中文综合网| 激情久久丁香| 99视频这里有精品| www狠狠爱com| 亚洲人成人五月天| 四色五月婷婷| 欧美色色网| 超pen个人视频97| 亚洲成人综合在线| 五月天伊人久久久久| 国产成人综合电影| 久8色色| 久久99国产综合精品免费| 久久超级碰碰| 色色国产| 日韩人妻无码精品| 超碰2021| 亚洲丁香五月| 九久热| 人人干Av| 成人AV片播放| 色五开心五月五月深深爱| 少妇做爰免费视看片| 成人网址在线观看| 五月婷婷婷婷| 五月丁香色婷婷婷基地| 日本三级韩三级99久久| 97五月天婷婷午夜| 丁香五月天啪啪| 5月婷婷视频网站综合| 日韩九九| 六月婷婷无码观看| 五月成人丁香av91| 久热视频这里只有精品| 色色婷婷色色| 亚洲黄色影视| 九色视频91| 丁香五月天社区| 日本 色综合| 婷婷色五月色| 五月天色色婷婷| 97人妻碰碰碰久久香蕉| 婷婷色婷婷亚洲成人| 亚洲网视屏| 激情婷婷九月| av狠狠操| 中文字幕 久久9999| 99re26视频| 国产精品扒开腿做爽爽爽A片唱戏 青青草国产亚洲精品久久 | 色色色9 9 9| 九九免费视频| 色啪影院| 五月婷婷 激情按摩| 婷婷五月天激情AV影院| 超碰在线网站| 婷婷深爱五月天| 色婷婷女优有码五月亭| www狠狠| 久久久这里都是精品| 激情图片五月天| 日本久久高清| av亚洲国产小电影| 婷婷五月天网| 色综合色婷婷色伊人| 婷婷91| 九九在线免费观看| 亚欧州精品视频| 亚洲色五月| 在线综合婷婷| 婷婷终合色图| 中文av网站| 婷婷六月丁香1| 欧美日本不卡黄色片| 99热精品在线在线| 99久re热视频精品98| 香蕉综合网| 激情婷婷五月天日本系列| 海外网站专业操老外| 久操热线| 婷婷久久久| 色欲香综合网| 九九色综合网| 亚洲正能量欧美| 色爱99| 五月丁香五月丁香| 91chinese 在线| 久久香蕉丁香| 99这里只有免费的精品| www.五月天婷婷姐姐| 婷五月天| 激情亚洲五月| 天天五月丁香五月| 色色五月激情| 日韩在线观看网址| 五月天色社区| 超碰国产在线观看| 99热只有精| 五月婷婷六月天| 亚洲乱码日产精品BD| 天天干天天日天天操| 综合久久婷婷五月丁香| 99久久www| 少妇AB又爽又紧无码网站| 五月丁香六月婷婷色日| 天天摸天天高潮天天爽| 深爱五月激情网| 狠狠色婷婷7777久综合| 欧美黄色一级录像| 九九热在线精品视频| 99视频这里有精品| 无码婷婷五月天| 涩 五月 婷婷 狠狠| 色色色色色网| 亚洲九九在线| 成人精品一区二区三区四区五区| 99操视频| 激情亚洲婷婷| 狠狠色色综合| 任你干嘛免费视频播放| 免費观看aV在线网址| 99热综合网| 色99在线视频| 激情www| 婷婷五月综合欧美在线播放| 久久久婷婷| 99操不停| 婷婷五月天渟渟| 免费看欧美成人A片无码| 免费看欧美成人A片无码| 99视频精品全部免费 在线| 99热欧美精品| 美国不卡视频| 亚洲另类毛片| 91丨九色熟女丨首页| 日本欧美成人片AAAA| 国产超碰在线| 91性高潮久久久久久久久| 亚洲激情婷婷| 五月天成人综合| 99r这里| 99热成人精品| 狠狠色丁香99| 这里只有精品99www| 婷婷日在线观看| 激情开心五月天婷婷基地丁香社区| 99久久久国产大片| 色五月丁香五月五月婷婷| 东京热伊人| 婷婷久久性爱| 99ri在线| 婷婷五月天AV网| 91超级碰碰碰| 婷丁五月| 丁香五月综合图片在线观看| 九九热视频免费观看| 天天摸天天舔天天爽| Av狠狠色丁香婷| 五月婷婷五月丁香综合| 亚洲热综合网在线观看| 婷婷五月激情欧美大胆视频| 六月丁香婷婷五月| 婷婷五月天视频免费在线观看| 丁香婷婷成人网站| 色九区| 淫视馆aV二区一区| 激情婷婷| 在线色婷婷| 婷婷五月丁香激情图片| www热久久yy9| 色~性~乱~伦~噜| www.久久久久久久| 色婷婷五月基地在线| 丁香五月aV| 狠狠色激情综合| 99色 色| 思思国产99| 99这里只有精品|v| 国产在线中文字幕| 青柠影视免费高清电视剧| 大香蕉220| 日韩久久欧亚| 成人在线日韩| 色五月婷婷DVD| 丁香五月婷久久| 丁香五月欧美午夜视频| 狠狠色丁香99| 色爱亚洲| 丁香五月婷婷啪啪| 精品亚洲国产成AV人片传媒| 超级碰 久久9| 午夜免费试看| 开心五月婷婷在线视频免费观看| 国产这里只有精品| 亚洲另类电影| 9|在线观看视频| 久草五月天| 丁香六月婷婷综合激情欧美| 精品人妻久久久| 丁香5月婷婷| 婷婷五月天视频| 色色婷婷五月| 婷婷五月天最新网址| 五月天另类图片区99| 婷婷激情小说网| 五月丁香色婷婷基地| 五月丁香中文| 99这里只有精品| 色综啪啪| 丁香六月婷婷综合激情欧美 | 五月开心久久| 全部老头和老太XXXXX| 色色色1网址| 91ncom.色| 亭亭色天香| 九九综合久久| 中文av网| 日韩欧美成人片| 激情婷婷五月天伊人在线观看| 激情深爱综合网| 夜夜骑夜夜操| 久香草视频在线观看| 色综合色综合色综合色综合| 做爰丰满少妇1313| 97综合在线| 五月综合激情图片| 色色色色色色色色网站| 91久久免费| 五月天另类综合网| 激情五月久久| 色综合中文| 婷婷香五月| 色五月 五月婷婷| 91亚洲天堂| 国熟女视频| 激情久久肏屄视频| 久久天堂婷婷五月| 99热在线免费| 久久婷婷青青草| 九九人人操| 色情成人五月天| 日韩一本操| 色色热99| 精品久久久人妻| 99视频在线啪| 欧美va在线| 激情五月天色播| 超碰猛烈的性猛交| 丁香成人色情五月天| 玖玖资源站中文| 伊人综合网站| 狠狠夜夜五月丁香| 五月天激情电影| 五月婷婷色啪| 草逼大片| 久久黄色片| 99激| 婷婷爱在线观看| 天天久| 激情五月丁香五月色| 五月丁香网av| 婷婷五月天激情四射| 久9视频| 丁香五月色五月| 丁香五月婷婷综合激情啪啪啪| 韩国情人在线电视剧免费观看高清版全集 | 99视频精品在线| 五月婷婷偷拍| 操操国产| 久婷| 亚洲欧洲另类| 婷婷啪啪| 91九九| 婷婷五月av| 五月婷婷色影院| 97色97干| 久久99久久99久久99人受| 五月天婷婷伊人| 婷婷六月综合基地| 99日在线视频| 婷婷成人视频| 五月激情综合五月| 亚洲AV成人精品网站在线播放| 欧美婷| 美女婷婷激情亚洲| 人人爱国产| 综合久久六月| 91久久精品无码一区二区三区| 99网址在线观看| 亚洲国产精品综合色区| 亚洲免费电影2| 久久激情五月婷婷| 五月丁香啪啪啪综合网| 99在线精品观看99| 九九aV| 婷婷她六月天| 97精品人人A片免费看| 婷婷另类开心| 五月激香蕉网| 99久在线精品99re8| 色色色色色色五月婷婷| 成人网址在线观看| 99精品视频在线6| 午夜天堂一区人妻| 妻久久人久久| 66精品国产成人| 九九视频在线观看视频6 | 欧美综合婷婷网| 久久久潮喷-久久久九九-成人AV| 欧美日韩成人在线网站| 婷丁香久综合| 香蕉久久五月| 日本一级| 逼逼AV| 色色色1网址| 婷婷五月色| 无码人妻激情| 国产午夜伦鲁鲁| 亚洲欧美国产高清vA在线播放| 婷婷欧美激情| 99操视频| 狠狠狠色激情综合适合| 婷婷六月丁香开心深深爱| 97热91| 五月天久久91| 思思热在线视频观看精品| 色色9 9| 婷婷五月综合社区| 99在线视频精品| 大香蕉人人人| 国产亚洲色婷婷久久99精品91| 色欲五月婷婷| 99热18| 操大屄五月天视频| 丁香九月婷| www.五月天婷婷姐姐| 99热999| 中字幕视频在线永久在线观看免费| 色婷婷a三区麻| 任我鲁这里有精品视频| 国产毛片操B| 日本一级黄色电影| 丁香婷婷成人网| sesesesezonghe| 日本操B片| 丁香五月AV| 丁香六月在线| 婷婷五月天影视| 丁香六月狠狠干| 97久久久久久久久久久| 色丁香五月| 丁香五月电影| 激情黄色五月天| 丁香九月综合激情| 丁香婷婷综合影院| 最近免费中文字幕大全高清大全1| 婷婷丁香五月综合| 玖玖资源站视频| 做爱夜夜干天天操| 亚洲天堂爱爱| 9热在线视频| 色亭亭影园| 丁香五月手机在线| 色五月综合激情| 深爱激情婷| 激情五月天无码| 超碰99热| 九九热精品99| 亚洲A片成人无码久久精品青桔| 人妻人人操| 丁香婷婷五月天在线视频| 欧美熟女乱又伦| 婷婷久久五月天| 大香蕉 伊人夜| 操操综合网婷婷| 9久精品| 人妻人人操| 色色色99| 五月丁香啪啪综合| 色欲久久久久| 色五月第四色| 五月香六月婷| 久久人妻系列| 五月丁香五月天现场视频| 国产乱码久久| 五月天激情综合网站| 成人五月丁香社区| 91操人视频| 久久婷婷网站| 婷婷午夜| sS丁香五月婷婷| 久久久人妻人伦| 日本久热| 亚洲成人免费电影| 99视频色在线观看| 99热大全在线观看| 婷婷五月天免费小说| 97在线视频人妻九色| aaa久久| 久久99综合网| 大香蕉网站,大香蕉综合| 国产日韩av片| 亚洲AV综合在线观看| 黄色一级影片| 综合大香蕉| 久久XX| 精品视频这里只有精品| 国产阿姨日皮艹逼内射视频| 天天综合图片| 五月丁香六月婷婷网站| 丁香婷婷六月在线资源观看| 五月婷婷五月| www色色色com| 五月丁香影院| www.99色在线| 9久久精品视频| 久久停停超碰| 婷婷五月天天| 五月开心深爱激情网| 色播五月网| 六月久久婷婷| 色五月婷婷五月天| 黃色三级三级三级三级 qixing300.shrkbk.com www.jinbozs.com tianmiaosw.com | 婷婷五月偷拍| 天天天天操| 99综合久久| 五月激情综合网| 国产精品涩涩涩视频网站| 丁香五月天AV在线 | 激情五月综合久久| 激情五月丁香婷婷夜夜操| 狠狠色丁婷婷日日,伊人激情综合网| 秋霞学生妹一二级| 五月婷婷啪啪啪啪| 欧美99热| 久久久一级AAA| 色色网91| 综合天天综合| 五月丁香激情婷婷综合| 亚洲AV日韩无码| 激情六月天| 色色婷婷综合| 五月婷网| 激情五月com| 91碰超| 婷婷激情五月| 9999热在线观看| 狠狠操综合| 99久久思思| 五月婷婷啪啪| 欧美大片免费播放器| 五月天大香蕉AV| 五月五婷婷网| 丰满熟女人妻一区二区三| 99热91| seuuu婷婷| 伊人婷婷大香蕉| 五月天六月天| 97欧美在线| 午夜免费试看| 色吊丝av中文字幕| 丁香六月婷婷高清| 爆乳熟妇一区二区三区爆乳照片| 色五月丁香五| 色婷婷WWW| 激情亚洲网| 九九综合久久| 伊人久久大香蕉网| 六月丁香婷婷六月激情综合| 久久激情五月婷婷| 99草视频在线观看| www五月天激情com| 五月婷婷六月丁香| 99久热在线精品| 丁香涩涩爱| 99热9| 台湾无码A片一区二区| 久久6这里只有精品| 色婷婷六月| 精品成人在线| 免费色色色| 91狠狠色丁香婷婷综合久久精品| 9久久久| 婷婷开心综合人妻小说网址| 欧美操人| www.91婷婷| 婷婷五月天偷拍| www激情| 国产av影片| 亚洲av骚货| 激情婷婷狠狠干综合| 国产日产成人亚洲欧美国产VA| 综合噜噜| 一起草日本| 婷婷久久五月| 色99在线| 色999亚洲人成色| 五月天婷婷丁香基地在线观看| 久久久久久99日本| 国产精品-91JQ就要激情网91JQ6.91JQ27.CASA:16888 | 色噜噜狠狠色综合无码久久欧美| AV成人在线播放| 激情五月天情色| 色婷婷在线视频综合| 天天插天天干| 国产日批视频| 久久性爱视频| 激情婷婷五月天网址| 99热只有| 国产Va视频| 久久婷色| 久久亚洲色导航| 九九RE视频在线精品| 五月综合色| 99操逼| 久久99操| 五月天婷婷久久视频| 99热偷拍| 五月丁香六月婷婷久久| 婷婷九月色| 99热只有| 天天舔天天摸天天射| 婷婷五月天激情小说| 色婷婷91激情小说| 日韩中文字幕| 天天干天天玩天天夜天天射天天操天天日蜜臀少妇 | 九色视频这里只有精品| www,999日本色| 思思久久96热在精品国产,| 亚洲综合另类| 久久机热这里只有 | WWW·色色色·COM| 久久婷婷91| 99re热在线视频| 九月婷婷| 色婷五月天亚洲| 欧美婷婷色| 五月天色网站| 大香蕉在线观看9| 色婷婷色九月| 五月激情视频| 99热这里只有精品98| 丁香五月花| 99'无码| 五月刺激丁香月综合| 欧美中文五月天| 国产免费一区二区三州老师F1F1| XX色综合| 色青青视频| 久久丁香综合精品综合| 婷婷另类小说| 久久色区| 中文字幕精品无码一区二区| 操日挥操日日| 丁香五月天黄色片| 欧美色五月| 99热中文字幕久久| 91在线日| 国产做爰视频免费播放| 色五月av| 五月丁香怕怕综合| 久久综合站| 91九色熟女| 天天舔夜夜操www com| 日韩限制级大尺度黑料泄密大尺度视频一区二区在线观看 | 日本视频99| 婷婷五月成人有| 色婷婷在线视频观看| 超碰免费大香蕉| 婷婷五月天色综合翘| 欧美男女婷婷| 天天干天天插| 天天摸色吧天天摸色吧| www色色com| 久久五月婷综合| 一区视频网站| 《》【无码】想被搞到爽AV应募而来的超M素人 西纯子 10musume-011723-01 | 亚洲啪视频| 99在线er热| 五月丁香亚州综合网| 五月天大香蕉| 99av视频| 五月丁香激情综合啪| 日本少妇AA一级特黄大片| 五月婷婷av| 最新丁香六月婷婷| site:esunnet.com| 色婷婷88| 在线播放 精品| 9久热| 六月丁香婷婷五月| 激情综合五月婷| 日本ww亚洲| 人人操人人添人人摸97| 成人国产欧美大片一区| 色五月亚洲| 26uuu亚洲色| 色色五月丁香婷婷| 99在线一区| 久久久99精品免费观看| 五月婷婷综合激情网| 五月婷婷久草在线视频综合| 在线视频色五月| 亚洲色图81p| 色www99| 六月色色| 99操碰| 玖玖资源站中文| 色五月婷婷丁香国产在线| 综合色99| 婷婷久久精品| 九月av在线| 97日本在线播放| 激情六月天| 热九九精品| 激情五月天色播| 丁香六月无码| 深爱激情五月天婷婷网| 99热6这里只有精品6| 婷婷五月天久久| 伦99热| 亚洲在线播放| 美女被操一区二区| 丁香五月-激情综合| 99热精品在线在线| 九九热精品| 久操无码| 91操片| 丁香五月在线观看| 天天干com| 婷婷五月天激情AV影院| 狠狠色情婷婷| 综合久色五月| 丁香五月天色| 五月天丁香啪啪综合| 国产激情久久久| 香蕉狠狠爱视频| A在线观看| 婷婷色在线视频| 免费人人操| 五月天婷婷丁香花| 大伊香蕉玖玖爱| 欧洲精品爱爱| 91凹凸在线| 国产精品国产| 香蕉操亚洲| 亚洲成人av在线| 色婷婷777狠狠| 91久久电影| 超碰人人操在线| 99碰超| 色婷婷手机在线| 97色色色色色色色| 丁香五月天激情| 可以免费观看的av| 色色激情五月天| 一本色道久久综合狠狠躁小说| 开心五月网| 成人在线日韩| 九九综合影音先锋| 日韩人妻在线播放| www.99热这里精品| 久久久性爱视频| 99视频自拍| 99久热这里有精品| 婷婷天天综合| 色色色无码| 久久伦乱| 播播网色播播| 九九热超碰| 久久99热网| 亚洲殴洲精品Av在线| 激情婷婷视频在线| 91婷婷色五月| 玖玖99福利| 五月婷婷啪啪网| 天天干天天操天天拍| 夜夜躁婷婷AV| 超碰99在线观看| 亚洲狠狠爱婷婷| 大香伊人婷婷| 婷婷久久五月| 亚洲婷婷成人五月天| 日本天天操| 99热精品无码| 91午夜婷婷狠狠久久综合9色| 97偷拍在线视频| 婷婷五月天激情小说| 99热香港| 涩涩涩五月天| 色吧五月婷婷| 五月天激情色色| 99re青青草| 开心五月婷婷婷美女| 欧美性二区| 天天操夜夜肏| 欧洲综合视频| 欧美亚洲色色色色| 狼人狠狠操| 六月亚洲| 色五月婷婷网| 日本精品人妻无码77777| 色综合色婷色基地| 亚洲精品乱码久久久久99| 可以免费看的AV网站| 99碰碰| 六月成人网| 一本色道久久88加勒比—| 天天肏屄夜夜爽| 综合色激情| 日日爽日日| AV操一操| 婷婷五月天激情文学小说| 99热国产这里只有精品| www.五月天| 色婷婷色和| 色五月无码| 五月婷婷激情网| 久久久久久综合88| 人妻自慰高清合集| 九九色色| 国产精品汇聚精彩第二页 - 高清完整版在线 - 青蛙AV | 婷婷丁香黄色| 色婷婷狠狠干| 99爱视频| 婷婷丁香综合网| 激情四射五月天| 91人人爽久久涩噜噜噜| 国产精品18久久久| 欧美性猛交99久久久99| 日本欧美国产| 99久热| 97色在线| 99九九热视频| 久热re视频在线观看网站| 91欧美| 五月天播播中文字幕| 91精品激情9| 五月天婷婷色色| 饮料下药迷倒漂亮女同事强干| 亚洲亚洲人成综合网络| 天天五月丁香五月| 久久久五月五丁香| 五月丁香天堂| 丁香五月网| 欧美激情VA永久在线播放| 97久人人| 五月综合激情视频在线| 欧美十二区| 插插插色综合网| 99这里只有| 亚洲成人AV在线播放| 亚洲色网址| 精品国产a| 夜夜天天久久婷婷| 免费看欧美成人A片无码| 精品思思久久| 欧美在线操| 日本97久久久精品| 韩国激情五月天综合网| 婷婷色综合中心站| 久草xx性爱视频| 日韩限制级大尺度黑料泄密大尺度视频一区二区在线观看 | 五月天婷综合| 五月激情小说| 97超级碰碰碰| 九九在线精点品| 99热在线网站| 日韩九九| 久久亭亭电影| 婷婷色情六月| 五月丁香六月停停停| 亚洲人操亚洲人| 欧日韩AV| 少妇人妻偷人精品无码视频新浪| 乱女乱妇熟女熟妇综合网站 | 99热加勒比| 亚洲五月丁香六月婷婷| 婷婷五月综合啪| 婷婷五月天综合网| 99啪99| 夜夜干天天干| enecarbon-materials.comWu染请涟系Bao护@wip1688 | 大香蕉丁香| 色婷婷小说网| 久久综合影院| 日本三级韩三级99久久| 伊人久久婷婷| 超碰在线人妻| 99视频精品8| 狠狠婷婷色| 米奇激情婷婷| 91碰操| 天天爽天天| 久大香蕉| 1024日韩| 99色看这里只有精品| 99re在线播放| 99热这里只有精品 搜| 色婷婷无吗| 色婷婷在线视频| AV在线观看网站| 色婷婷免费观看| 樱花99视频| 97五月婷| 天天色天天操天天射| 毛片新网地| 这里只有精品免费视频| 六月婷五月丁香| 九九无毛| 夜夜躁婷婷AV| 色五月激情视频在线综合| 国产亚洲色婷婷久久99精品91| 狠狠色情婷婷| 天天肏在线| 久色| 日本怕怕视频| 欧美槡BBBB槡BBB少妇| 亚艹艹| 91九色精品| 久久久97| 丁香婷在线| 五月丁香婷婷综合视频| 婷婷狠狠操| 五月天婷婷深深爱| 欧美人人超级碰| 婷婷色五月天在线| 亚洲综合婷婷五月| 日韩黄色电影| 日韩操人| 五月花激情| 99re热在线视频| 欧美成人猛片AAAAAAA| 色婷婷五月中文字幕在线dvd| 香蕉久久国产av一区二区| www.天天干| 婷婷五月天日本无码| 久久香蕉影院| 人人操超碰| 99精品久久| 国产午夜精品一区二区三区嫩草| 99热6这里只有精品| 99成人网一区| 狠狠色婷| 五月天六月色| 激情五月丁香五月| 91porn一起草| 大香蕉福利导航| www.91操| 亚洲夜夜操| 淫视馆aV二区一区| 久热A片| 99天堂网| 亚洲99精品欧美一区| 亚洲精品色色| 九色在线观看91av| 俺也去五月婷婷丁| 99久久久久| 午夜色丁香| 亚洲精品乱码久久久久99| 99五月婷| 色欲色欲久久宗合网| 九九免费视频| 天天天天操| 激情五月丁香五月| 日本黄色一级| 五月天色五月| 婷婷五月天网址| 亚洲AV影片在线观看| 99精品在线| 五月婷婷六月丁香在线| 丁香五月婷婷天| 婷婷五月天美女| wWW九九在线播放| 99综合色色色| 熟女人妻一区二区三区免费看 | 操丝袜视频影院导航| 一级黄色影片| 99热热这里只精品996小说| 亚洲精品第一国产综合亚AV | 丁香狠狠| 色优久久| 五月丁香六月婷婷久久肏| 嫩草免费视频| 农村熟妇高潮精品A片| 99九九精品| 激情婷婷五月天| 色久五月天| 婷婷色播综合五月| 丁香五月婷婷动漫视频| 色九月婷婷| 五月丁香激情婷婷| 91婷婷五月丁香碰| 人人综合色| 热99玖玖99玖玖99九九| 疯狂做受XXXX高潮A片| 亚洲热综合| 色久影院| 97干网站| 夜夜爱伊人| 五月天婷婷乱论小说| 色综合色色色色色| 最新五月天婷婷影| 五月天无码视屏播放| 99噜噜噜在线播放| 午夜婷婷| 丁香六月婷婷久久综合| 日韩一级A片黄色| 超级碰碰碰碰视频| 国产精品岛国片在线观看免费| AV操一操| 91啦丨九色丨刺激中文| 国产精品日韩十五区| 99精品爱| www开心激情网| 我爱va亚洲va52| 777.色色| 天天操天天操| 午夜爱爱爱成人| 丁香五月深爱五月婷婷| 黄涩毛片| 日逼免费视频| 蜜臀嫩草| 九九精品视频在线观看| 玖久精品视频9| 美女婷婷六月色| 丁香五月大片| 丁香五月综合在线播放 | 狠狠干综合| 第九色区av天堂| 国产熟妇乱子伦hd| 综合色五月亭亭| 久久男人网婷婷| 丁香五月www| 亚洲婷婷激情综合激情999精品| 91日韩美女被插视频| 第五婷婷伊人丁香色| 日本色道视频网站| 色五月丁香总合网| 亚洲看av的网站| 激情小说五月欧美亚洲丁香| 爱婷婷都市激情| 99在线免费视频| 99热97| 大地9中文在线观看免费高清 | se影音资源在线观看| 夜夜撸日日操| 五月婷婷色影院| 人人爽天天爽| 中文字幕无码人妻少妇免费视频 | 伊人丁香婷婷东京| 婷婷丁香激情综合色情| 91久久五月天| 色五月婷婷亚洲| 久久您您综合网| 欧美啪啪五月天| 国产操碰| 精品福利911| 婷婷涩涩五月天| 五月丁香六月激情综合| 五月丁香网站| 人与禽A片啪啪| 99热99草97| 色色日韩网| 婷婷射图五月天| 婷婷情爱五月天6| 婷婷五月天丁香花| 91久久精品国产91性色TV| 在线综合91| 色10月婷婷视频| 丁香五月六月欧美| 99碰网站| 另类小说五月天| 欧美色偷偷大香| 久热9| 色婷婷色五月综合| 婷婷激情视频| 三男玩一女三A片| 激情色情五月天| 婷婷开心深爱五月天| 日日肏天天操| 大香蕉婷婷色| 婷婷情色开心五月天99| 91色吧网| 丁香久色| 婷婷久久五月天| 色99在线| 丁香九月激情久久| 成人婷婷桔色| 婷婷五月天六月丁香| 狠狠操狠狠| 一本色道久久88加勒比—| 亚洲色婷婷99一9|| 美欧成人视频| 99精在线| 99网| 五月天激情网图片| 激情九九六月激情免费视频| 狠狠狠狠免费| 综合激情五月婷婷| 4399无码视频| 色色色色综合网| 天天综合在线网| 国产成人精品一区二三区熟女在线| 日本专区久久| 色婷婷六月精品| av在线免费网站 | 五月丁香趴趴| 丁香婷婷射| 久热久| 久久99免费视频| 五月丁香久久久日婷婷久久婷婷日| 五月激情综合网| 狠狠精品干练久久久无码中文字幕 | 综合日本婷婷| 翔田千里aV中文字幕| 欧美综合五月丁香六月婷| 久久99久久99久久99| 亭亭丁香久久五月| 亚洲黄色精品| 色99超碰| 青青草蜜臀| 超碰碰碰碰| 99人碰碰碰| 丁香五月婷婷AV在线| 级人人91| 中文不卡一二三区| 岛国AV网| 久9无码视频| 日日爽日日| 久99婷婷色综合| 色五月婷婷少妇人妻| 五月激情偷拍| 久久婷婷网站| 精品久久99码| 久久婷婷激情四射五月天| 婷婷五月天日本无码| 欧美槡BBBB槡BBB少妇| 人妻性爱| 久久五月丁香| 《久久综合九色综合97婷婷| 婷婷婷婷婷开心无码播放| 97超级碰| 色五月综合网| 国产偷人爽久久久久久老妇APP | 狠狠狠狠狠| txt五月激情四射网综合俺也来了| 丁香五月狠狠综合欧美| 丁香五月综合| 开心五月婷婷五月| 婷婷五月无码| 香蕉综合在线| 91精品婷婷国产综合久久| 99热99天堂| 操97免费超级视频 | 婷婷五月丁香六月天亚洲综合| 专区无日本视频高清8| 久久婷婷欧美| 操人久久| 五月丁香色婷婷久久| 婷婷五月天精品| 丁香九月色| 婷婷深爱五月丁香网| 日本综合99| 五月天激情开心网| www.第四色99| 九九视频这里只有精彩| 免费无码毛片一区二区A片| 99热99思午夜精品| 久久99国产综合精品免费| 国产日日夜夜操| 婷婷中文字幕欧美| 激情丁香五月婷婷啪啪| 天堂久久久久天堂网| 天天射色五月天| 丁香五月之久操视频| 丁香五月天BBw| av一区免费看| 五月天,激情四射,婷婷频道| 亚洲爱婷婷| 久9热视频| 久久色区| www.色五月| 天天碰天天插天天操| 四季8848精品成人免费网站| 97婷婷五月天| 狠狠爱五月婷婷| 亚洲永久四色| 九九视频这里是精品五月| 亚洲精品国产A久久久久久| 亚州视频九九99| 18久久| 久久多色| 五月婷婷丁香啪啪| 日本啪啪视频HD| 99久久久| 色色婷婷丁香五月天| 五月天色不卡| 久久婷婷五月综合色播| WWW.五月com| 91丨九色丨熟女|老版| 夜夜夜天天操| 亚洲精品久久久无码| 丁香成人五月天| 97香蕉碰碰人妻国产欧美| 人妻AV在线| 丁香美女主播视频在线观看| 国产免费av在线| 婷婷五月丁香香蕉| 久久丁香五月婷婷| 久久人人九| 免费无码毛片一区二区A片| 丁香六月婷婷综合欧美| 日本一级一片免费视频|