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(xiàn)實(shí)戰(zhàn)洞察。

機(jī)器學(xué)習(xí)的標(biāo)準(zhǔn)工作流程,從數(shù)據(jù)預(yù)處理到模型評(píng)估(附可運(yùn)行代碼)

機(jī)器學(xué)習(xí)的標(biāo)準(zhǔn)工作流程,從數(shù)據(jù)預(yù)處理到模型評(píng)估(附可運(yùn)行代碼) 翻當(dāng)時(shí)的學(xué)習(xí)筆記的時(shí)候看到這么一頁(yè)寫(xiě)得很潦草數(shù)據(jù)清洗、標(biāo)準(zhǔn)化、特征工程、編碼、過(guò)采樣欠采樣、6:2:2、網(wǎng)格搜索、貝葉斯優(yōu)化、泛化能力……每個(gè)詞單獨(dú)拎出來(lái)我都能說(shuō)出個(gè)大概但當(dāng)時(shí)有個(gè)問(wèn)題一直沒(méi)想通這些東西到底誰(shuí)先誰(shuí)后我記得最清楚的畫(huà)面是第一次做課程項(xiàng)目我把SMOTE過(guò)采樣跑完了才想起來(lái)劃分訓(xùn)練集導(dǎo)師看了一眼說(shuō)你這是把答案提前告訴模型了。后來(lái)自己動(dòng)手跑了幾個(gè)項(xiàng)目才算把這頁(yè)筆記串成一條線(xiàn)。它其實(shí)是一條流水線(xiàn)前后順序有明確的道理亂了就出事。這篇文章就是把這條線(xiàn)從頭到尾捋一遍配一份復(fù)制就能跑的完整代碼。如果你是剛上完課、準(zhǔn)備動(dòng)手做第一個(gè)項(xiàng)目的階段應(yīng)該能少踩幾個(gè)坑。一、先把全貌看清楚整個(gè)流程就三件事但三件事花的時(shí)間完全不成比例數(shù)據(jù)預(yù)處理吃掉整個(gè)項(xiàng)目 6~7 成的工作量。一個(gè)反直覺(jué)的事實(shí)是換算法帶來(lái)的提升通常遠(yuǎn)不如把數(shù)據(jù)弄好帶來(lái)的提升。同樣的數(shù)據(jù)邏輯回歸和 XGBoost 的差距可能是三五個(gè)點(diǎn)但把特征工程做對(duì)可能是二十個(gè)點(diǎn)。所以第一階段別偷懶。一個(gè)反直覺(jué)的事實(shí)換算法帶來(lái)的提升通常遠(yuǎn)不如把數(shù)據(jù)弄好帶來(lái)的提升。同樣的數(shù)據(jù)邏輯回歸和 XGBoost 的差距可能是三五個(gè)點(diǎn)但把特征工程做對(duì)可能是二十個(gè)點(diǎn)。所以第一階段別偷懶。二、數(shù)據(jù)預(yù)處理最臟最累但最值錢(qián)2.1 數(shù)據(jù)清洗原始數(shù)據(jù)基本都是臟的。常見(jiàn)四類(lèi)問(wèn)題問(wèn)題類(lèi)型典型表現(xiàn)常見(jiàn)處理缺失值NaN、空字符串、-999、0刪行 / 填中位數(shù)眾數(shù) / 填業(yè)務(wù)默認(rèn)值異常值年齡 250、月消費(fèi) 999999業(yè)務(wù)規(guī)則修正 / 當(dāng)缺失處理 / 保留重復(fù)值完全重復(fù)、主鍵重復(fù)去重類(lèi)型錯(cuò)誤數(shù)字存成字符串、日期格式不統(tǒng)一轉(zhuǎn)類(lèi)型缺失值這里有個(gè)容易忽略的細(xì)節(jié)空字符串不是 NaN。pandas讀進(jìn)來(lái)的空單元格才是 NaN業(yè)務(wù)系統(tǒng)里導(dǎo)出的空字符串往往原樣保留df.isna().sum()查不出來(lái)。處理前先統(tǒng)一一下df[contract_type] df[contract_type].replace(, np.nan)異常值我想多說(shuō)一句因?yàn)檫@是我踩過(guò)的坑。我第一次處理一張電商用戶(hù)表用 3σ 把月消費(fèi)字段的離群點(diǎn)全刪了結(jié)果把那批消費(fèi)五萬(wàn)以上的 VIP 全干掉了——模型是變干凈了但業(yè)務(wù)上最值錢(qián)的那群人沒(méi)了。所以判斷異常值統(tǒng)計(jì)方法3σ、IQR 箱線(xiàn)圖只是給你一個(gè)候選名單刪不刪要回到業(yè)務(wù)里問(wèn)。我的習(xí)慣是明顯是錄入錯(cuò)誤的年齡 250改成缺失值交給填充器處理數(shù)值雖然極端但真實(shí)的高消費(fèi)用戶(hù)保留或者用分位數(shù)截?cái)郬insorize而不是刪掉。還有個(gè)工程上的建議清洗邏輯寫(xiě)成函數(shù)別在 Excel 里手動(dòng)改。手動(dòng)改過(guò)一次下個(gè)月數(shù)據(jù)刷新你還得手動(dòng)改一遍而且改的還不一定是同一套規(guī)則。2.2 數(shù)據(jù)轉(zhuǎn)換筆記上我在這條旁邊寫(xiě)了個(gè)類(lèi)似蒸餾當(dāng)時(shí)沒(méi)聽(tīng)清老師具體指的啥。后來(lái)理解了大概意思是把量綱千差萬(wàn)別的原始值蒸餾到同一把尺子上。具體來(lái)說(shuō)就兩種標(biāo)準(zhǔn)化Standardization / Z-scorex (x - 均值) / 標(biāo)準(zhǔn)差結(jié)果均值 0、方差 1。歸一化Normalization / Min-Maxx (x - min) / (max - min)結(jié)果壓到 [0, 1]。區(qū)別在于歸一化對(duì)異常值很敏感一個(gè)極端值就能把其他所有樣本擠到很窄的區(qū)間里標(biāo)準(zhǔn)化因?yàn)橛玫氖蔷岛蜆?biāo)準(zhǔn)差抗干擾能力強(qiáng)一些而且不要求數(shù)據(jù)服從正態(tài)分布這點(diǎn)經(jīng)常被人誤解。沒(méi)有特殊需求的話(huà)默認(rèn)用標(biāo)準(zhǔn)化。哪些算法必須做轉(zhuǎn)換判斷標(biāo)準(zhǔn)其實(shí)很簡(jiǎn)單你只需要看這個(gè)算法會(huì)不會(huì)算距離或者用梯度。必須做KNN、SVM、神經(jīng)網(wǎng)絡(luò)、帶正則化的線(xiàn)性模型、PCA、K-Means不用做決策樹(shù)、隨機(jī)森林、XGBoost、LightGBM樹(shù)模型只看分裂閾值跟量綱無(wú)關(guān)不做會(huì)怎樣舉個(gè)直觀(guān)的例子特征里同時(shí)有年齡18-75和年收入0-1000000KNN 算歐氏距離的時(shí)候收入那一項(xiàng)的差值會(huì)完全主導(dǎo)結(jié)果年齡這個(gè)特征等于沒(méi)用。2.3 特征工程這是我認(rèn)為最見(jiàn)功力的地方。筆記里寫(xiě)的構(gòu)建特征字典一開(kāi)始我以為是某種數(shù)據(jù)結(jié)構(gòu)后來(lái)發(fā)現(xiàn)是工程習(xí)慣——給每個(gè)特征建一份檔案。做項(xiàng)目的時(shí)候我都會(huì)先列這么一張表字段名類(lèi)型業(yè)務(wù)含義取值范圍缺失率處理方式來(lái)源age數(shù)值用戶(hù)年齡18-756%中位數(shù)填充 標(biāo)準(zhǔn)化user_profilecontract_type類(lèi)別合約類(lèi)型月付/年付/兩年付3%眾數(shù)填充 獨(dú)熱order_infotenure_months數(shù)值已使用月數(shù)0-720%標(biāo)準(zhǔn)化user_profile看著像形式主義實(shí)際上有幾個(gè)很實(shí)在的用處一是強(qiáng)迫你想清楚每個(gè)字段到底是干嘛的經(jīng)常填著填著就發(fā)現(xiàn)這個(gè)字段模型不該看后面會(huì)說(shuō)的泄露問(wèn)題二是別人接手你的代碼時(shí)不至于抓瞎三是上線(xiàn)的時(shí)候這張表就是特征服務(wù)的接口文檔。至于怎么造特征幾個(gè)我常用的套路# 1. 比值 / 人均絕對(duì)值往往不如相對(duì)值有區(qū)分度 df[tickets_per_month] df[support_tickets] / (df[tenure_months] 1) # 工單總數(shù) 10 單對(duì)用了 3 個(gè)月和用了 3 年的用戶(hù)含義天差地別 # 2. 時(shí)間差注冊(cè)到現(xiàn)在多久、上次登錄距今天數(shù) df[days_since_last_login] (pd.Timestamp.now() - df[last_login]).dt.days # 3. 分箱把連續(xù)值離散化能捕捉非線(xiàn)性關(guān)系 df[age_bin] pd.cut(df[age], bins[18, 25, 35, 50, 100], labelsFalse) # 4. 交叉組合兩個(gè)特征單獨(dú)看沒(méi)用組合起來(lái)有用 df[high_value_new_user] ((df[monthly_charges] 200) (df[tenure_months] 3)).astype(int) # 5. 聚合統(tǒng)計(jì)從明細(xì)表造出用戶(hù)粒度的行為特征 # 近 30 天登錄次數(shù)、近 7 天平均停留時(shí)長(zhǎng) 這類(lèi)表格數(shù)據(jù)里收益最高的一類(lèi)特征第 5 類(lèi)聚合統(tǒng)計(jì)在真實(shí)業(yè)務(wù)里收益最高但有個(gè)前提只能用預(yù)測(cè)時(shí)點(diǎn)之前的數(shù)據(jù)算。你要預(yù)測(cè)用戶(hù)下個(gè)月會(huì)不會(huì)流失那近 30 天登錄次數(shù)必須是截止到預(yù)測(cè)時(shí)點(diǎn)的 30 天不能把未來(lái)數(shù)據(jù)算進(jìn)去。這是時(shí)序特征最容易犯的錯(cuò)。2.4 編碼模型只認(rèn)數(shù)字類(lèi)別特征得先翻譯一下。三種情況有序類(lèi)別—— 用標(biāo)簽編碼順序本身攜帶信息# 學(xué)歷高中 本科 碩士 博士 edu_map {高中: 0, 本科: 1, 碩士: 2, 博士: 3} df[education] df[education].map(edu_map)無(wú)序類(lèi)別—— 用獨(dú)熱編碼One-Hot。注意別用標(biāo)簽編碼瞎編順序微信0、支付寶1、銀行卡2會(huì)讓模型誤以為微信和支付寶的距離比微信和銀行卡近這純屬無(wú)中生有。from sklearn.preprocessing import OneHotEncoder # handle_unknownignore 一定要加 enc OneHotEncoder(handle_unknownignore, sparse_outputFalse)handle_unknownignore這個(gè)參數(shù)值得單獨(dú)提。不加的話(huà)訓(xùn)練集沒(méi)見(jiàn)過(guò)、測(cè)試集出現(xiàn)的類(lèi)別會(huì)直接報(bào)錯(cuò)。真實(shí)業(yè)務(wù)里新類(lèi)別太常見(jiàn)了新上線(xiàn)的支付方式、新開(kāi)的城市不加就是給自己埋雷。加了以后未知類(lèi)別會(huì)編碼成全 0模型不會(huì)因?yàn)橐粋€(gè)沒(méi)見(jiàn)過(guò)的取值直接崩掉。高基數(shù)類(lèi)別—— 取值特別多比如城市、商品 SKU、用戶(hù) ID獨(dú)熱編碼會(huì)把維度撐爆。這時(shí)候用目標(biāo)編碼Target Encoding用該類(lèi)別對(duì)應(yīng)的目標(biāo)變量均值來(lái)替代。但目標(biāo)編碼有嚴(yán)重的泄露風(fēng)險(xiǎn)它用到了標(biāo)簽信息必須在交叉驗(yàn)證的每一折內(nèi)部單獨(dú)計(jì)算不能先算好再劃分?jǐn)?shù)據(jù)集。sklearn 里對(duì)應(yīng)的是TargetEncoder1.3 版本或者用category_encoders這個(gè)庫(kù)。2.5 類(lèi)別不平衡這個(gè)坑我印象最深。第一次做二分類(lèi)任務(wù)跑出來(lái)準(zhǔn)確率 95%我還挺高興結(jié)果一看混淆矩陣——正樣本一個(gè)都沒(méi)預(yù)測(cè)對(duì)。因?yàn)檎龢颖局徽?5%模型只要無(wú)腦預(yù)測(cè)全是負(fù)樣本準(zhǔn)確率就是 95%。所以遇到不平衡數(shù)據(jù)第一件事是把準(zhǔn)確率這個(gè)指標(biāo)拉黑。三種應(yīng)對(duì)方式過(guò)采樣復(fù)制或者合成少數(shù)類(lèi)樣本。SMOTE 是經(jīng)典方法它不只是復(fù)制而是在少數(shù)類(lèi)樣本之間插值合成新樣本from imblearn.over_sampling import SMOTE from imblearn.pipeline import Pipeline as ImbPipeline # 注意用 imblearn 的 Pipeline不是 sklearn 的 pipe ImbPipeline([ (prep, preprocessor), (smote, SMOTE(random_state42)), (clf, RandomForestClassifier()), ])欠采樣刪掉一部分多數(shù)類(lèi)樣本。數(shù)據(jù)量大的時(shí)候挺好用缺點(diǎn)是丟信息。改權(quán)重最省事不動(dòng)數(shù)據(jù)直接告訴模型少數(shù)類(lèi)更重要。sklearn 里大部分分類(lèi)器都支持RandomForestClassifier(class_weightbalanced) LogisticRegression(class_weightbalanced) XGBClassifier(scale_pos_weight負(fù)樣本數(shù)/正樣本數(shù))我個(gè)人習(xí)慣先試class_weightbalanced一行代碼幾乎零成本還不用擔(dān)心過(guò)擬合。這不是偷懶我在同一份數(shù)據(jù)上對(duì)比過(guò)一行class_weightbalanced能拿到測(cè)試集 ROC-AUC 0.8395 / PR-AUC 0.5577換成 SMOTE 反而只有 0.8198 / 0.4751。不是說(shuō) SMOTE 沒(méi)用而是它合成的樣本會(huì)引入噪聲在類(lèi)別邊界重疊嚴(yán)重的表格數(shù)據(jù)上容易幫倒忙。所以我的順序永遠(yuǎn)是先試零成本的權(quán)重法效果不夠再考慮采樣。這里有個(gè)必須記住的順序問(wèn)題采樣只能在訓(xùn)練集上做。先劃分?jǐn)?shù)據(jù)集再對(duì)訓(xùn)練集過(guò)采樣。如果先過(guò)采樣再劃分同一個(gè)樣本的合成兄弟會(huì)同時(shí)出現(xiàn)在訓(xùn)練集和測(cè)試集里測(cè)試成績(jī)會(huì)虛高這就是為什么我第一次做項(xiàng)目被導(dǎo)師說(shuō)的那個(gè)點(diǎn)。三、模型訓(xùn)練3.1 數(shù)據(jù)集劃分為什么非要分三份因?yàn)槿滦枰莶煌臄?shù)據(jù)訓(xùn)練集喂給模型學(xué)習(xí)參數(shù)驗(yàn)證集用來(lái)選模型、調(diào)超參數(shù)測(cè)試集只在最后評(píng)估一次模擬真實(shí)上線(xiàn)后遇到的新數(shù)據(jù)比例用 6:2:2 還是 8:1:1看數(shù)據(jù)量數(shù)據(jù)量小幾千條6:2:2驗(yàn)證集和測(cè)試集都需要足夠樣本指標(biāo)才穩(wěn)定數(shù)據(jù)量大十萬(wàn)以上8:1:1 甚至 98:1:11% 也夠用了多留點(diǎn)給訓(xùn)練數(shù)據(jù)特別小幾百條別硬分三份直接用 K 折交叉驗(yàn)證劃分的時(shí)候記得加stratify保持各集合里類(lèi)別比例一致X_train, X_temp, y_train, y_temp train_test_split( X, y, test_size0.2, stratifyy, random_state42 ) X_val, X_test, y_val, y_test train_test_split( X_temp, y_temp, test_size0.5, stratifyy_temp, random_state42 )不加stratify運(yùn)氣不好會(huì)出現(xiàn)某一折里正樣本特別少的情況訓(xùn)練出來(lái)的模型指標(biāo)會(huì)飄得厲害。還有一種情況要特別注意時(shí)間序列數(shù)據(jù)不能隨機(jī)劃分。你要用 1-6 月的數(shù)據(jù)預(yù)測(cè) 7 月那就嚴(yán)格按時(shí)間切訓(xùn)練集是 1-4 月驗(yàn)證集 5 月測(cè)試集 6 月。隨機(jī)打亂會(huì)讓模型看到未來(lái)線(xiàn)下指標(biāo)好看得離譜上線(xiàn)一塌糊涂。3.2 算法選擇我的順序是先跑基線(xiàn)再上復(fù)雜模型?;€(xiàn)不是走過(guò)場(chǎng)它有兩個(gè)作用一是告訴你這個(gè)問(wèn)題至少能做到什么程度二是如果復(fù)雜模型打不過(guò)基線(xiàn)說(shuō)明你的數(shù)據(jù)或特征有問(wèn)題。表格數(shù)據(jù)也就是大多數(shù)業(yè)務(wù)場(chǎng)景里的結(jié)構(gòu)化數(shù)據(jù)的一個(gè)經(jīng)驗(yàn)結(jié)論梯度提升樹(shù)基本是天花板。多說(shuō)一句很多剛?cè)腴T(mén)的同學(xué)包括當(dāng)時(shí)的我覺(jué)得深度學(xué)習(xí)一定比隨機(jī)森林強(qiáng)。在圖像、文本這些非結(jié)構(gòu)化數(shù)據(jù)上確實(shí)如此但在幾千到幾十萬(wàn)行的表格數(shù)據(jù)上LightGBM 通常又快又好深度網(wǎng)絡(luò)大概率打不過(guò)它還更難調(diào)。選算法之前先認(rèn)清數(shù)據(jù)類(lèi)型。3.3 超參數(shù)調(diào)優(yōu)先分清兩個(gè)概念參數(shù)是模型自己學(xué)出來(lái)的比如線(xiàn)性回歸的系數(shù)超參數(shù)是你提前指定的比如樹(shù)的最大深度。調(diào)參調(diào)的是后者。網(wǎng)格搜索把所有候選值排列組合窮舉一遍。param_grid { clf__max_depth: [6, 10, None], clf__min_samples_leaf: [1, 5, 20], clf__n_estimators: [300], } # 3 × 3 × 1 9 種組合配合 5 折交叉驗(yàn)證 45 次訓(xùn)練問(wèn)題在于組合爆炸3 個(gè)參數(shù)各 3 個(gè)候選值是 27 次5 個(gè)參數(shù)各 5 個(gè)候選值就是 3125 次配上交叉驗(yàn)證直接跑到天荒地老。隨機(jī)搜索在候選范圍內(nèi)隨機(jī)采樣 N 組。Bergstra 和 Bengio 2012 年那篇論文的核心結(jié)論是——通常只有少數(shù)幾個(gè)超參數(shù)真正重要隨機(jī)搜索因?yàn)椴蓸痈稚⒃谕瑯拥挠?jì)算預(yù)算下反而更容易找到好的組合。from sklearn.model_selection import RandomizedSearchCV from scipy.stats import randint, uniform param_dist { clf__max_depth: randint(3, 20), clf__min_samples_leaf: randint(1, 30), clf__subsample: uniform(0.6, 0.4), } search RandomizedSearchCV(pipe, param_dist, n_iter50, scoringaverage_precision, cv5, n_jobs-1)我的實(shí)際做法先用隨機(jī)搜索大范圍掃一遍鎖定大致區(qū)間再用網(wǎng)格搜索在小區(qū)間里精調(diào)。貝葉斯優(yōu)化它會(huì)根據(jù)歷史試驗(yàn)結(jié)果推測(cè)下一組最值得試的參數(shù)而不是瞎試。適合單次訓(xùn)練很貴的情況深度學(xué)習(xí)、大數(shù)據(jù)集。常用庫(kù)是 Optuna代碼量比 GridSearchCV 多一點(diǎn)點(diǎn)但省時(shí)間import optuna def objective(trial): params { n_estimators: trial.suggest_int(n_estimators, 100, 500), max_depth: trial.suggest_int(max_depth, 3, 15), learning_rate: trial.suggest_float(learning_rate, 0.01, 0.3, logTrue), } model LGBMClassifier(**params) score cross_val_score(model, X, y, cv5, scoringaverage_precision).mean() return score study optuna.create_study(directionmaximize) study.optimize(objective, n_trials50)不管用哪種都記得配合交叉驗(yàn)證。用單次的訓(xùn)練集-驗(yàn)證集劃分來(lái)調(diào)參結(jié)果會(huì)受這一次劃分的運(yùn)氣影響交叉驗(yàn)證取平均才穩(wěn)。四、模型評(píng)估4.1 先把混淆矩陣背下來(lái)所有分類(lèi)指標(biāo)都是從這四個(gè)數(shù)推出來(lái)的精確率 Precision TP / (TP FP)你報(bào)出來(lái)的正例里有多少是真的召回率 Recall TP / (TP FN)真正的正例里你抓住了多少F1上面兩個(gè)的調(diào)和平均想要一個(gè)綜合數(shù)字的時(shí)候用怎么選取決于業(yè)務(wù)代價(jià)癌癥篩查、金融風(fēng)控、故障預(yù)警——寧可錯(cuò)殺不可放過(guò)要召回率。漏掉一個(gè)早期癌癥患者的代價(jià)遠(yuǎn)大于讓一個(gè)健康人多做一次檢查。垃圾郵件過(guò)濾、推薦系統(tǒng)——誤殺代價(jià)高要精確率。把老板的重要郵件扔進(jìn)垃圾箱比收一封廣告嚴(yán)重多了。4.2 ROC-AUC 和 PR-AUC這兩個(gè)都是評(píng)估排序能力的指標(biāo)不受閾值選擇影響。ROC-AUC0.5 是隨機(jī)瞎猜1.0 是完美。但它有個(gè)毛病——類(lèi)別嚴(yán)重不平衡時(shí)會(huì)虛高。正樣本只占 1% 的時(shí)候模型只要不給正樣本排太低AUC 就能輕松上 0.9看著很漂亮實(shí)際抓正樣本的能力一塌糊涂。PR-AUCaverage precision只看正樣本的表現(xiàn)在不平衡場(chǎng)景下比 ROC-AUC 誠(chéng)實(shí)得多。所以我的習(xí)慣不平衡數(shù)據(jù)上主看 PR-AUCROC-AUC 當(dāng)輔助?;貧w任務(wù)就三個(gè)常用指標(biāo)MAE平均絕對(duì)誤差好解釋、RMSE對(duì)大誤差更敏感、R2擬合優(yōu)度越接近 1 越好。4.3 泛化能力到底在看什么泛化能力說(shuō)白了就是模型在沒(méi)見(jiàn)過(guò)的數(shù)據(jù)上還能不能打。判斷方法很直接——比訓(xùn)練集和測(cè)試集的分?jǐn)?shù)訓(xùn)練集分?jǐn)?shù)測(cè)試集分?jǐn)?shù)診斷怎么辦很高很低過(guò)擬合加數(shù)據(jù)、簡(jiǎn)化模型、加正則、減特征很低很低欠擬合換復(fù)雜模型、加特征、減少正則高高差距小正常挺好可以上線(xiàn)了比訓(xùn)練集還高—有泄露檢查數(shù)據(jù)劃分和特征構(gòu)造最后一行我加了條有泄露的情況看著違反直覺(jué)但真遇到的時(shí)候特別有提示性測(cè)試集分?jǐn)?shù)比訓(xùn)練集還高八成是哪里出了問(wèn)題最常見(jiàn)的是先做采樣/標(biāo)準(zhǔn)化再劃分?jǐn)?shù)據(jù)或者特征里混進(jìn)了未來(lái)信息。順便說(shuō)下學(xué)習(xí)曲線(xiàn)。橫軸是訓(xùn)練樣本數(shù)縱軸是分?jǐn)?shù)如果兩條線(xiàn)訓(xùn)練集分?jǐn)?shù)、驗(yàn)證集分?jǐn)?shù)之間有一條明顯的鴻溝且不收斂就是過(guò)擬合如果兩條線(xiàn)都低且貼在一起就是欠擬合。比看單個(gè)數(shù)字直觀(guān)。五、串起來(lái)一份完整可運(yùn)行的代碼場(chǎng)景是某 SaaS 產(chǎn)品的用戶(hù)流失預(yù)測(cè)二分類(lèi)且類(lèi)別不平衡。數(shù)據(jù)是我用代碼模擬的會(huì)故意塞入缺失值、異常值和重復(fù)行這樣你復(fù)制過(guò)去直接就能跑不用下載任何數(shù)據(jù)集。依賴(lài)pip install pandas scikit-learn# -*- coding: utf-8 -*- 機(jī)器學(xué)習(xí)標(biāo)準(zhǔn)工作流程 —— 完整可運(yùn)行示例 場(chǎng)景用戶(hù)流失預(yù)測(cè)二分類(lèi)類(lèi)別不平衡 依賴(lài)pip install pandas scikit-learn import numpy as np import pandas as pd from sklearn.model_selection import train_test_split, GridSearchCV, StratifiedKFold from sklearn.pipeline import Pipeline from sklearn.compose import ColumnTransformer from sklearn.impute import SimpleImputer from sklearn.preprocessing import StandardScaler, OneHotEncoder from sklearn.linear_model import LogisticRegression from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import ( classification_report, confusion_matrix, roc_auc_score, average_precision_score, ) RANDOM_STATE 42 rng np.random.default_rng(RANDOM_STATE) # ---------------------------------------------------------------------- # 0. 造一份臟數(shù)據(jù)這樣你復(fù)制過(guò)去就能跑不用下載任何數(shù)據(jù)集 # ---------------------------------------------------------------------- def make_dirty_churn_data(n8000): age rng.normal(38, 12, n).clip(18, 75) tenure rng.exponential(20, n).clip(0, 72) monthly rng.normal(120, 45, n).clip(20, 400) tickets rng.poisson(1.6, n) contract rng.choice([月付, 年付, 兩年付], n, p[0.55, 0.28, 0.17]) payment rng.choice([微信, 支付寶, 銀行卡, 對(duì)公轉(zhuǎn)賬], n, p[0.4, 0.35, 0.2, 0.05]) # 讓標(biāo)簽和特征之間有真實(shí)的因果關(guān)系否則模型學(xué)不到東西 contract_risk np.select( [contract 月付, contract 年付, contract 兩年付], [1.3, -0.5, -1.1] ) logit ( -2.6 0.070 * (age - 38) - 0.070 * tenure 0.015 * (monthly - 120) 0.60 * tickets contract_risk rng.normal(0, 0.5, n) ) churn rng.binomial(1, 1 / (1 np.exp(-logit))) df pd.DataFrame( { age: age, tenure_months: tenure, monthly_charges: monthly, support_tickets: tickets, contract_type: contract, payment_method: payment, churn: churn, } ) # --- 動(dòng)手把數(shù)據(jù)弄臟模擬真實(shí)業(yè)務(wù)表的樣子 --- # (1) 數(shù)值列隨機(jī)缺失 for col, ratio in [(age, 0.06), (monthly_charges, 0.04)]: df.loc[rng.choice(n, int(n * ratio), replaceFalse), col] np.nan # (2) 類(lèi)別列缺失業(yè)務(wù)系統(tǒng)里經(jīng)常是空字符串而不是 NaN df.loc[rng.choice(n, int(n * 0.03), replaceFalse), contract_type] np.nan # (3) 異常值年齡錄成了 3 歲和 250 歲 idx rng.choice(n, 12, replaceFalse) df.loc[idx[:6], age] 3 df.loc[idx[6:], age] 250 # (4) 重復(fù)行 df pd.concat([df, df.sample(30, random_stateRANDOM_STATE)], ignore_indexTrue) return df raw make_dirty_churn_data() print(原始數(shù)據(jù):, raw.shape) print(缺失值統(tǒng)計(jì):\n, raw.isna().sum()) print(流失占比: %.2f%%\n % (raw[churn].mean() * 100)) # ---------------------------------------------------------------------- # 1. 數(shù)據(jù)清洗 # ---------------------------------------------------------------------- def clean(df): df df.drop_duplicates() # 用業(yè)務(wù)規(guī)則修異常年齡合理區(qū)間 [18, 100]超出的一律置為缺失交給后面的填充 器 df.loc[(df[age] 18) | (df[age] 100), age] np.nan # 空字符串也當(dāng)成缺失 df[contract_type] df[contract_type].replace(, np.nan) # 月費(fèi)不可能超過(guò) 1000 df.loc[df[monthly_charges] 1000, monthly_charges] np.nan return df df clean(raw) print(清洗后:, df.shape) # ---------------------------------------------------------------------- # 2. 特征工程這里只做兩件最典型的事比值 分層 # ---------------------------------------------------------------------- def build_features(df): df df.copy() # 每月工單數(shù) 工單總數(shù) / 使用時(shí)長(zhǎng)比單獨(dú)的工單數(shù)更能反映暴躁程度 df[tickets_per_month] df[support_tickets] / (df[tenure_months] 1) # 是否高價(jià)值客戶(hù) df[is_high_value] (df[monthly_charges] df[monthly_charges].median()).astype(int) return df df build_features(df) TARGET churn NUM_FEATURES [ age, tenure_months, monthly_charges, support_tickets, tickets_per_month, is_high_value, ] CAT_FEATURES [contract_type, payment_method] X df[NUM_FEATURES CAT_FEATURES] y df[TARGET] # ---------------------------------------------------------------------- # 3. 數(shù)據(jù)集劃分 —— 必須在任何學(xué)習(xí)數(shù)據(jù)分布的操作之前做 # ---------------------------------------------------------------------- X_train, X_temp, y_train, y_temp train_test_split( X, y, test_size0.2, stratifyy, random_stateRANDOM_STATE ) X_val, X_test, y_val, y_test train_test_split( X_temp, y_temp, test_size0.5, stratifyy_temp, random_stateRANDOM_STATE ) print(\n 訓(xùn)練集 %d / 驗(yàn)證集 %d / 測(cè)試集 %d (8:1:1) % (len(X_train), len(X_val), len(X_test))) print( 各 集 流 失 占 比 : %.3f / %.3f / %.3f\n % (y_train.mean(), y_val.mean(), y_test.mean())) # ---------------------------------------------------------------------- # 4. 預(yù)處理流水線(xiàn)缺失填充 - 標(biāo)準(zhǔn)化 / 獨(dú)熱編碼 # ---------------------------------------------------------------------- numeric_pipe Pipeline([ (imputer, SimpleImputer(strategymedian)), (scaler, StandardScaler()), ]) categorical_pipe Pipeline([ (imputer, SimpleImputer(strategymost_frequent)), (onehot, OneHotEncoder(handle_unknownignore, sparse_outputFalse)), ]) preprocessor ColumnTransformer([ (num, numeric_pipe, NUM_FEATURES), (cat, categorical_pipe, CAT_FEATURES), ]) # ---------------------------------------------------------------------- # 5. 建模邏輯回歸當(dāng)基線(xiàn)隨機(jī)森林當(dāng)主力 # ---------------------------------------------------------------------- def make_model(clf): return Pipeline([(prep, preprocessor), (clf, clf)]) lr make_model( LogisticRegression(max_iter1000, class_weightbalanced, random_stateRANDOM_STATE) ) lr.fit(X_train, y_train) val_prob_lr lr.predict_proba(X_val)[:, 1] print([基線(xiàn)] 邏輯回歸 驗(yàn)證集 AUC %.4f PR-AUC %.4f % (roc_auc_score(y_val, val_prob_lr), average_precision_score(y_val, val_prob_lr))) rf make_model( RandomForestClassifier(n_estimators300, class_weightbalanced_subsample, random_stateRANDOM_STATE, n_jobs-1) ) rf.fit(X_train, y_train) val_prob_rf rf.predict_proba(X_val)[:, 1] print([主力] 隨機(jī)森林 驗(yàn)證集 AUC %.4f PR-AUC %.4f % (roc_auc_score(y_val, val_prob_rf), average_precision_score(y_val, val_prob_rf))) # ---------------------------------------------------------------------- # 6. 超參數(shù)調(diào)優(yōu)網(wǎng)格搜索 分層 K 折交叉驗(yàn)證只用訓(xùn)練集 驗(yàn)證集 # ---------------------------------------------------------------------- X_tv pd.concat([X_train, X_val]) y_tv pd.concat([y_train, y_val]) param_grid { clf__max_depth: [6, 10, None], clf__min_samples_leaf: [1, 5, 20], clf__n_estimators: [300], } cv StratifiedKFold(n_splits5, shuffleTrue, random_stateRANDOM_STATE) search GridSearchCV( make_model(RandomForestClassifier(class_weightbalanced_subsample, random_stateRANDOM_STATE, n_jobs-1)), param_grid, scoringaverage_precision, cvcv, n_jobs-1, ) search.fit(X_tv, y_tv) print(\n 調(diào)參最佳組合:, search.best_params_) print(交叉驗(yàn)證最佳 PR-AUC %.4f % search.best_score_) best_model search.best_estimator_ # ---------------------------------------------------------------------- # 7. 最終評(píng)估 —— 測(cè)試集到此只用這一次 # ---------------------------------------------------------------------- test_prob best_model.predict_proba(X_test)[:, 1] test_pred (test_prob 0.5).astype(int) print(\n 測(cè)試集最終表現(xiàn) ) print(ROC-AUC %.4f PR-AUC %.4f % ( roc_auc_score(y_test, test_prob), average_precision_score(y_test, test_prob))) print(\n 混淆矩陣 (行真實(shí), 列預(yù)測(cè)):) print(confusion_matrix(y_test, test_pred)) print() print(classification_report(y_test, test_pred, target_names[未 流 失 , 流 失 ], digits3)) # ---------------------------------------------------------------------- # 8. 看看泛化能力訓(xùn)練集 vs 測(cè)試集的差距 # ---------------------------------------------------------------------- train_prob best_model.predict_proba(X_tv)[:, 1] print(訓(xùn)練集 PR-AUC %.4f % average_precision_score(y_tv, train_prob)) print(測(cè)試集 PR-AUC %.4f % average_precision_score(y_test, test_prob)) # ---------------------------------------------------------------------- # 9. 特征重要性 # ---------------------------------------------------------------------- feat_names best_model.named_steps[prep].get_feature_names_out() importances best_model.named_steps[clf].feature_importances_ order np.argsort(importances)[::-1] print(\nTop 8 特征重要性:) for i in order[:8]: print( %-28s %.4f % (feat_names[i], importances[i]))我在 Python 3.13 scikit-learn 1.9.0 pandas 3.0.5 上跑出來(lái)的結(jié)果有節(jié)選原始數(shù)據(jù): (8030, 7) 缺失值統(tǒng)計(jì): age 480 monthly_charges 321 contract_type 242 流失占比: 17.57% 清洗后: (8000, 7) 訓(xùn)練集 6400 / 驗(yàn)證集 800 / 測(cè)試集 800 (8:1:1) 各集流失占比: 0.176 / 0.176 / 0.175 [基線(xiàn)] 邏輯回歸 驗(yàn)證集 AUC 0.8681 PR-AUC 0.5941 [主力] 隨機(jī)森林 驗(yàn)證集 AUC 0.8306 PR-AUC 0.5111 調(diào) 參 最 佳 組 合 : {clf__max_depth: None, clf__min_samples_leaf: 20, clf__n_estimators: 300} 交叉驗(yàn)證最佳 PR-AUC 0.5458 測(cè)試集最終表現(xiàn) ROC-AUC 0.8395 PR-AUC 0.5577 混淆矩陣 (行真實(shí), 列預(yù)測(cè)): [[520 140] [ 37 103]] precision recall f1-score support 未流失 0.934 0.788 0.855 660 流失 0.424 0.736 0.538 140 accuracy 0.779 800 訓(xùn)練集 PR-AUC 0.6586 測(cè)試集 PR-AUC 0.5577 差距 0.1009 Top 8 特征重要性: num__tickets_per_month 0.2347 num__age 0.1755 num__tenure_months 0.1749 cat__contract_type_月付 0.1322 num__monthly_charges 0.1032 num__support_tickets 0.0663 cat__contract_type_年付 0.0371 num__is_high_value 0.0307幾個(gè)值得盯著看的數(shù)字第一邏輯回歸AUC 0.8681打贏了隨機(jī)森林0.8306。這不是代碼寫(xiě)錯(cuò)了——這份數(shù)據(jù)的因果關(guān)系是我拿線(xiàn)性 logit 函數(shù)生成的邏輯回歸天生就適合擬合它。真實(shí)業(yè)務(wù)里很少有這么講道理的數(shù)據(jù)但這正好說(shuō)明基線(xiàn)模型不能跳過(guò)它幫你判斷數(shù)據(jù)長(zhǎng)什么樣也幫你在復(fù)雜模型翻車(chē)時(shí)有個(gè)參照。第二ROC-AUC 0.8395 看著挺體面PR-AUC 只有 0.5577。同一個(gè)模型、同一份數(shù)據(jù)兩個(gè)指標(biāo)差了快 0.3差出來(lái)的這部分就是類(lèi)別不平衡的照妖鏡。只報(bào) ROC-AUC很容易讓人以為這是個(gè)能用的模型。第三最反直覺(jué)的一條模型準(zhǔn)確率 0.779比全部預(yù)測(cè)為不流失還低。測(cè)試集里流失只占 17.5%無(wú)腦猜都不流失的準(zhǔn)確率是 82.5%模型反倒只有 77.9%——是不是覺(jué)得白訓(xùn)了不是。看混淆矩陣那兩行140 個(gè)真正會(huì)流失的用戶(hù)模型抓出了 103 個(gè)召回率 73.6%代價(jià)是 140 個(gè)正常用戶(hù)被誤判成流失。這就是class_weightbalanced在起作用——它告訴模型漏掉一個(gè)流失用戶(hù)比誤判一個(gè)正常用戶(hù)更貴模型照做了于是拿準(zhǔn)確率去換召回率。準(zhǔn)確率低不代表模型差只代表你的目標(biāo)和猜多數(shù)類(lèi)不是一回事。業(yè)務(wù)要的是提前把可能流失的人撈出來(lái)去挽回那 73.6% 的召回率就是值錢(qián)的。這也是為什么在不平衡場(chǎng)景下準(zhǔn)確率基本沒(méi)有參考價(jià)值。你要是真把class_weightbalanced去掉再跑一遍會(huì)看到這個(gè)配置準(zhǔn)確率召回率精確率ROC-AUCPR-AUC加權(quán)balanced0.7790.7360.4240.8400.558不加權(quán)默認(rèn)0.8500.2710.6790.8320.554全猜不流失0.8250———去掉權(quán)重準(zhǔn)確率從 0.779 漲到 0.850比全猜不流失的 0.825 還高看著是不是順眼多了但召回率從 0.736 掉到 0.271——140 個(gè)會(huì)流失的用戶(hù)只抓出了 38 個(gè)。如果你要拿這個(gè)模型去做挽回推送等于四分之三的流失用戶(hù)你連招呼都沒(méi)打。更值得琢磨的是最后兩列ROC-AUC 和 PR-AUC 幾乎沒(méi)動(dòng)。因?yàn)閏lass_weight本質(zhì)上只是在移動(dòng)決策閾值就是概率大于 0.5 判為正那條線(xiàn)并沒(méi)有改變模型把正負(fù)樣本排序的能力。模型的底子沒(méi)變變的只是你在哪個(gè)位置切一刀。所以結(jié)論是準(zhǔn)確率、召回率這些指標(biāo)會(huì)跟著閾值劇烈擺動(dòng)AUC 類(lèi)的指標(biāo)才是穩(wěn)的那個(gè)。調(diào)閾值或者調(diào)權(quán)重屬于最后的業(yè)務(wù)決策我愿意用多少誤判換多少召回不該拿來(lái)評(píng)判模型本身的好壞。第四tickets_per_month在特征重要性里排第一0.2347而它的兩個(gè)原材料support_tickets只有 0.0663、tenure_months0.1749排第三。一個(gè)除法算出來(lái)的新特征比原始字段更能打這就是特征工程的實(shí)際收益。最后訓(xùn)練集 PR-AUC 0.6586、測(cè)試集 0.5577差 0.1屬于正常范圍。要是哪天你看到測(cè)試集分?jǐn)?shù)反而比訓(xùn)練集高先回去查數(shù)據(jù)泄露別高興得太早。再看代碼本身有幾個(gè)地方是刻意這么寫(xiě)的一是整個(gè)預(yù)處理和模型都塞進(jìn)了Pipeline。這不是為了好看而是為了防止數(shù)據(jù)泄露——SimpleImputer的中位數(shù)、StandardScaler的均值方差全都是在訓(xùn)練集上算出來(lái)的然后原樣應(yīng)用到驗(yàn)證集和測(cè)試集。如果你手動(dòng)先f(wàn)it_transform整個(gè)數(shù)據(jù)集再劃分測(cè)試集的統(tǒng)計(jì)信息就混進(jìn)訓(xùn)練過(guò)程了指標(biāo)會(huì)虛高。二是class_weightbalanced處理不平衡一行搞定沒(méi)引入任何新樣本。三是調(diào)參階段用的是訓(xùn)練集驗(yàn)證集合并后做 5 折交叉驗(yàn)證測(cè)試集從頭到尾只在最后被碰了一次。這個(gè)習(xí)慣一定要養(yǎng)成每用測(cè)試集做一個(gè)決策它就臟一分。用測(cè)試集反復(fù)調(diào)參選模型等于把測(cè)試集變成了驗(yàn)證集最后那個(gè)漂亮的數(shù)字沒(méi)有意義。四是最后那段特征重要性輸出tickets_per_month這個(gè)我自己造的特征直接排在了第一比它的兩個(gè)原材料support_tickets和tenure_months單獨(dú)用都強(qiáng)。這就是特征工程的價(jià)值——你自己改改build_features函數(shù)加幾個(gè)新特征進(jìn)去看看能不能把 PR-AUC 再推高一點(diǎn)。六、幾個(gè)容易翻車(chē)的地方按我踩坑的頻率排個(gè)序先采樣/先標(biāo)準(zhǔn)化后劃分?jǐn)?shù)據(jù)—— 最經(jīng)典的泄露。train_test_split必須是全流程的第一道工序。用整個(gè)數(shù)據(jù)集的均值填充缺失值—— 同上屬于泄露。放進(jìn) Pipeline 里就不會(huì)犯。類(lèi)別不平衡還盯著準(zhǔn)確率看—— 95% 的準(zhǔn)確率可能一個(gè)正樣本都沒(méi)抓到先看混淆矩陣和 PR-AUC。One-Hot 忘了加handle_unknownignore—— 訓(xùn)練沒(méi)問(wèn)題上線(xiàn)遇到新類(lèi)別直接報(bào)錯(cuò)。測(cè)試集被反復(fù)使用—— 調(diào)一次參看一次測(cè)試集最后報(bào)告的數(shù)字其實(shí)是過(guò)擬合到測(cè)試集上的。特征里混入了未來(lái)信息—— 比如用訂單總金額預(yù)測(cè)用戶(hù)是否下單這種特征線(xiàn)下 AUC 能到 0.99上線(xiàn)就廢。特征字典里來(lái)源那一列就是用來(lái)排查這個(gè)的。忽略業(yè)務(wù)規(guī)則—— 模型說(shuō)這個(gè)用戶(hù)會(huì)流失但你去看數(shù)據(jù)發(fā)現(xiàn)他的賬號(hào)三天前就被封了。這種樣本應(yīng)該提前剔除。寫(xiě)在最后回頭看那頁(yè)筆記它其實(shí)給了正確的順序只是我當(dāng)時(shí)不知道每一步為什么在那里。真正讓我理解這個(gè)流程的不是背下來(lái)清洗→轉(zhuǎn)換→特征→編碼→采樣這個(gè)順序而是想明白了一件事凡是從數(shù)據(jù)里學(xué)出來(lái)的東西均值、方差、類(lèi)別映射、采樣策略、超參數(shù)都只能在訓(xùn)練集上學(xué)習(xí)然后應(yīng)用到其他集合上。理解了這一條整個(gè)流程的順序就能自己推出來(lái)了——標(biāo)準(zhǔn)化為什么在劃分之后SMOTE 為什么只能在訓(xùn)練集上做Pipeline 為什么非寫(xiě)不可全是同一個(gè)道理的不同表現(xiàn)。代碼在上面我是跑通了的。建議你動(dòng)手改幾個(gè)地方試試把class_weightbalanced去掉看準(zhǔn)確率是不是會(huì)漲回 0.82 以上、召回率又會(huì)掉到多少或者把build_features里的tickets_per_month刪掉看 PR-AUC 掉幾個(gè)點(diǎn)。動(dòng)手改一遍比看十遍記得牢。如果這篇文章對(duì)你有幫助歡迎點(diǎn)贊收藏。有說(shuō)錯(cuò)的地方也歡迎評(píng)論區(qū)指出我改。
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
婷婷色五月天色| 五月婷婷综合在线观看| 国产午夜成人免费看片无遮挡| 久久五月婷综合网| 五月激情啪啪啪| 五月丁香免费看| 久久九九99字幕| 亚洲午夜成人av电影网| 婷婷五月天堂| 成人五月丁香社区| 丁香五月激情网| 99re热精品在线视频| 亚洲综合网 665566| 亚洲九九视频| 五月色婷婷影院| 欧美日韩一a.无| 婷婷综合婷婷| 天天爽天天爽| 色五月激情五月| 国产热精品| 久久婷婷五月天激情四射| 五月丁香激情综合| 色五月婷婷久久| 激情五月狠狠| 婷婷五月色综合| 人人操插| 婷婷刺激综合| 婷婷丁香综合| 天天插天天射天天干| 亚洲人妻av伦理| 婷婷淫淫狠狠六月| 色色色色色综合| 九九视频这里是精品五月| 久久一级片| 色婷婷很很十八禁| 婷婷狠狠操| 六月亚洲| 丁香五月综合图片在线观看| 九九热只有精品6| 哇嘎成人久久| 任你擦免费视频| 色九四色| 丁香五月 无码| 日本黄色三级片内射| 欧美日韩成人在线网站| 97人凄人人操人人爽| 丁香五月另类小说| 五月婷婷五月| 久久久久激情| 变态另类9| 色色色色网| 99久久久国产精品免费蜜乳tv| 欧洲毛片基地c区| 97香蕉人人在线观看| 欧美内射AAAAAAXXXXX| 婷婷丁香五月麻豆| 精品人妻伦九区久久AAA片| 成人av在线网站| 婷丁香五月天| 一本久道综合色婷婷五月| 国产va视频| 人人人舔人人人操人人人摸人人人97| 99在线亚洲| 99精品网| 成人国产欧美大片一区| 综合在线观看99| 深爱五月日韩| 婷婷五月天奸女| 手机旧版看人妻1025| 久久久天天啊| av网址在线| aa久久| 99综合| 五月久久婷婷成人网| 狠狠干综合网| www.91久久| 99热在线观看精品| 丁香婷婷综合激情五月色| 97色色网| 天天操天天日天天爱| 亭亭玉月丁香| 97视频91| 狠狠五月天| 99这里只有免费的小视频在线观看| www.婷婷| 思思热99er在线视频| 丁香五月综合狠狠| 操操操AV| 这里只有精品,日韩视频| 色99网| 日韩操逼大片| 精品99久久久久成人网站免费| 色六月婷婷| 丁香五月天在线观看视频| 婷婷五月丁香香蕉| 五月天天天开心激情网| 99精品大片| 俺去也婷婷| 色情五月丁香| 操逼五月婷婷| 久久久久8888| 色五月婷激情| www.久久| 疯狂做受XXXX高潮A片| 在线观看视频1区| 色色日本欧美| 国产热精品| 亚洲婷婷欧美婷婷| 国产精品美女久久久久AV超清| 中日韩美欧成人一区二区精品在线| 欧洲MV日韩MV国产| 色色色地址| 激情深爱综合| 99热思思| 色级停停| 猫咪伊人久久| 欧洲第一无人区观看| 免费在线观看av网站| 天天色丁香| 色爱综合网| 这里只有精品在线播放| 原琪琪色影院| 久久5 9视频免费观看| 97资源碰碰在线| 91热er| 天天狠狠六月婷丁香影院| 九九色热| 日本在线视频播放91| ji'qing'luan'ren'lun| 殴美激情综合网| 婷婷伊人綜合中文字幕| 99超碰人人| 91热er| 在线观看婷婷5月| 色偷偷AV亚洲男人的天堂| 色色丁香五月天社区| 婷婷五月天中文字幕| 激情综合网,婷婷| 99热一区| 最新无码专区| 婷婷在线操| 五月天激情四射网站| 国产精品18久久久| 色五月婷婷 成人| 很很干夜夜干| 99久久偷拍视频| 凹凸探花电影| 狠狠色婷婷777| 亭亭玉月丁香| 激情婷婷六月天| 中文成人在线| 五月激情久久综合| 99日韩| 丁香五月天.com| 99这里是精品| 婷婷色综合中心站| 婷婷五月天资源| 夜夜干夜夜操| 婷婷五月色惰| 日本丁香五月| 婷婷亚洲欧美丁香五月| 五月色婷婷激情| site:wpjngj.com| 91婷婷色 | 激情开心五月天| 99热热热99精品婷婷| 9久久久久久久久久久| 国产VA亚洲VA96| 五月情婷婷| 五月综合久久| 九热视频| 少妇出轨做爰高潮A片| 99国产精品白浆在线观看免费 | 免费久久这里只有精品99| 97天堂| 99九九玖玖| 婷婷综合六| 五月婷婷丁香六月| 综合久久丁香婷婷,五月婷婷六月丁香,开心激情综合网,六月丁香在线观看,婷婷丁 | 五月天婷婷激情| 精品五月花| 开心丁五月| 99色干| 亚洲无aV在线中文字幕| 色婷操逼| 69堂午夜视频最新地址| 久久小说| 26uuu91| 亚洲亚洲人成综合网络| 久热视频这里只有精品| 丁香六月婷婷色播| 婷婷伊人綜合中文字幕| 五月丁香婷婷基地| 停停六月 综合| 婷婷激情小说| 婷婷射丁香| 天天肏视频| 99这里有精品视频| 精品无码久久久久久久久| 婷婷五月电影院| 婷婷综合一二三| 99狠狠操一| 六月婷婷综合| 日日天天操| 麻豆WWWCOM内射软件| 色噜噜狠狠色综| 婷婷五月成人| 综合激情啪啪| 成人国产欧美大片一区| 99热这里只有精品9| 五月丁香色婷婷久久| 亚洲欧美综合7777色婷婷| 激情五月天在线观看婷婷| 欧美日韩99| 精品无码人妻一区| 久久日九九| 人人草人人舔| 丁香五月色| 99综合视频| 六月婷婷色五月| 激情国产五月| 色色婷婷五月| 丁香五月婷婷俺也要去| 婷婷五月天成人网| 在线不卡AC| 五月天天爱| 超碰色婷婷| 五月天成人综合| 2020久久婷婷五月| 六月婷婷香蕉| 玖玖色综合色| 亚洲激情在线| 五月天色婷婷网| 天堂在线9| 午夜精品人妻无码一区二区三区| 五月婷婷丁香婷婷| 五月丁香婷婷AV天堂| 五月丁小婷婷激情四射| 91九色在线| 先锋资源 996| 五月天狠狠网站| 香蕉曰比| 国产VA亚洲VA96| 欧美国产一区二区三区| 天天色天天射天天日| 国产一级视频a| 超碰99在线观看| 色热久| 色v综合网| 国产成人网站在线观看| 亚洲色网址| 五月天免费色| www,色婷婷| 99久免费视频| 久久久无码精品成人A片小说| 九九激情网| 极品少妇婷婷五月| 久久五月婷| 色婷婷社区| 午夜理论片最新午夜理论剧| 五月丁香色| 无码AV免费精品一区二区三区| 五月婷婷啪啪| 丁香五月激情六月综合| 怡红院99| 人妻久热| 成人视频网| 亚洲精品在线视频| 亚洲无码猫咪| 中文幕无线码中文字蜜桃| 蜜桃人妻无码AV天堂三区| 欧美婷| 91操网| 九九无毛| 欧美色必爱| 99色色网| 东京热免费视频| 99啪啪网| 丁香婷婷五月天在线视频| 五月丁香| 九九久久免费视频44| 丁香六月五月天| 五月丁香另类图片| 操操操AV| 久久久久er热| 久久久久久丁香五月| 亚洲 综合中文| 九九自拍网| av在线观看网址| 97色精品视频 | 97干网站| 色婷婷操逼网| 久久免费试看120秒| 婷婷无五月无码视频| 99热国产这里只有精品| 婷婷五月丁香香蕉| 国产成人综合在线| 色女人久久| 五月天亚洲综合网| 五月天开心激情综合网| 久久丁香五月婷| 久久五月天黄色五月天色网址| 婷丁五月| 亚洲激情综合五月婷婷啪啪| 精品51XX| 婷婷五月情天| 99热这里有精品| 狠狠高潮精品亚洲1| 99热精品9| 激情综合网之激情五月| 亚洲爱爱无码婷婷色五月| 夜夜骑日日操| 99热777| 婷婷开心综合人妻小说网址| 在线观看玖玖资源免费观看| 五月色婷婷综合| 综合图片色色| 婷婷五月色| 这里只有精品2| 熟女激情五月天| 五月丁花色综合网| 狠狠插狠狠操| 五月婷在线观看| 啪啪综合网| 亚洲无码99| 亚洲另类在线观看| 成人精品网站在线观看| 9精品视频在线观看| 狠狠色丁香久久综合婷婷亚洲成人福利| 九九色插| 久久性爱视频| 手机看片日日做夜夜| 午夜无码精品色综合久久| 天堂AV在线看| 色婷婷久久综合中文久久一本| 久久久久网站| 免费无码毛片一区二区A片| 婷婷五月天丁香花| 伊人喵咪a V| 99热在线观看99| 色www.con| 五月婷婷综合激情网| 99re这里只有精品国产99| 日韩按摩二区| 色五月大| 色婷婷成人做爰A片免费看网站| 91在线日| se色婷婷视频| 91精品国产99久久久久久天美| 另类小说五月天| 在线va网站| 激情婷婷五月天在线观看| 欧美综合五月丁香五月天| 开心五月网| 97碰在线视频| 天天久久婷婷| 99热99色| 九九久久腿| 婷婷五月天堂| 狠狠干综合网| 天天爽天天操| WWW.99视频| 婷婷激情综合色五月久久,色婷婷丁香花,丁香婷婷五月情天,久久婷婷五月综合色 | 色婷婷99| 色欲婷婷五月天丁香| 99热亚洲| 激情五月天电影| 九九综合久久| 欧美日本高清视频99| 亚洲AV免费国产电影| 色热久资源| 色五月丁香五月天| 99在线精品免费视频| 成人短视频在线免费观看| 韩日在线熟女| 色域五月婷婷丁香| 免费V片在线| 色婷视频| 丁香五月天婷婷中文字幕| 亚洲精品又粗又大又爽A片| 亚洲婷婷激情综合激情999精品| 色婷婷综合网站| 99性感视频| 亚洲欧洲另类| 久久综合影院| 五月色俺婷婷| 熟妇人妻中文字幕无码老熟妇 | 欧美日韩国产一二区| 婷婷五月精品中文| 最新高清无码专区| 秋霞性爱AV| 99热在这里只有精品| 色综合色综合网| 99热久久日本| 精品久久久人妻| 影音先锋女人AA鲁色资源| www.com.色色| 日韩色五月| 久久综合九九| 日本a片网址| 亚洲网站999| 丁香五月天影院| 天天色天天干天天插| 九九久久综合| 超碰人人操人人干| 色噜噜狠狠色综合网| 91日本在线免费| 婷婷五月天色网久| 九九99九九精品免费 | www久| 91碰| 婷婷金品综合视频| 欧美天天草人人草| 超碰免费人人| 大香蕉啪啪| 五月丁香啪啪综合| 久久丁香五月| 婷婷五月丁香啪啪| 婷婷综合网性| 九九操操| 丁香五月花婷婷开心| 亚洲综合网 665566| 91色色色视频| 丁香五月婷婷手机| 久在线88综合| 婷婷激情在线| www激情| 96性爱视频| 天天日天天添| 97人人搞| 婷婷五月激情小说| 五月丁香啪啪啪免费看| 五月婷婷丁香婷婷| 成人午夜天| 97久操| 狠狠操狠狠狠| 激情五月综合免费| 五月熟妇婷婷久久| 欧美在线视频9| 九九精品综合| 91尤物九色在线| 人妻aV在线| 91成人电影| 五月丁香久久久久| 色色是色N一| 六月丁香久久| 99秘 在线| 色级停停| 操操自拍| 五月丁香色色综合| 国产内射婷婷| 99看片| 色色色9 9 9| 操逼三区| 亚州精品色情在线观看| 九九色婷| 干一干xxxx| 任你草| 五月激情视频| 九九久热| www.五月婷婷久久.com| 99色视频| 思思热高清在线观看| 六月婷婷香蕉| 欧美大肥婆大肥BBBBB| 国产在线另类五月婷婷| 操日视频| 天天色播| 99视频在线| 激情AV| 免费观看18视频网站| 99re最新地址| 五月天大香蕉| 日日爽夜夜爽| 色色哒五月婷婷六月丁香| 1024成人在线观看| 久热大香蕉| 天天夜夜爽| 深爱五月婷婷| 六月婷婷五月丁香| 婷婷五月天欧美| 大香蕉丁香| 九九99精品| 深爱五月激情网| 色噜噜狠狠狠综合曰曰曰| 丁香六月综合激| 天天操夜夜操| 亚洲第一综合| 五月婷婷六月丁香| 国产亚洲99久久精品熟女| 欧美日韩99| 日本3级片一区2区| 五月丁香狠狠爱| 久久婷婷人人| 五月天婷婷久久视频| 中文字幕综合网| 婷婷五月激情综合| 538在线精品| 久婷首页| 天天干夜晚夜操| 九九久久综合| 久久久99视频| 色爱综合视频| 狠狠色狠狠操| WWW.桔色成人.COM| 五月天小说激情| 丁香五月97视频| www色哟哟| 国产另类综合| 中文人妻主播久久| 91人人操人人| 91亚洲免费片| 五月丁香六月片| 99色视频在线| 99久久99九九99九九九| 色婷五月天亚洲| 人妻av在线| 国产亚洲成AV人片在线观黄桃| 婷婷五月电影| 色五月婷婷九月| 久久只有精| 91色在线| 婷婷va| 碰超亚洲| 极品人妻VIDEOSSS人妻| 丁香五月天激情综合| 激情综合网激情五月欧美| 91久操| 日本女人久久| 五月天激情美女久久| 色停停五月,在线观看| 色激情综合| 色五月丁香A欧美com | 俺来也综合网精品一区| 玖操97| 超碰在线综合| 美女五月狠狠| 日韩高清成人| 亚洲婷婷开心五月| 日韩成人综合| 丁香五月婷婷总啪啪| 九月丁香| 亚洲人妻av伦理| 激情五月天婷婷五月天| 婷婷色网| 五月天婷婷影院| 激情久久久| 狠狠做深爱婷婷久久综合一区| 日本的α片xxxwww| caobi四区| 六月婷婷影院| 亚洲综合激情五月久久| 人人操女人| 午夜不卡久久精品无码免费| 国色天香伊人狠狠色| 99操久久| 五月天另类小说久久小说网| 五月丁香婷中文| 婷婷丁香高潮了| 婷婷在线激情| 狠狠搞狠狠操| 亚洲国产网址| 五月天播播| 99热国产在| 337久久| 97碰碰草| www五月天com| 激情六月色| 五月婷婷六月丁香| www.9操| 激情六月天婷婷| 五月婷婷六月综合| 五月亭久久无码视频| 直接看的AV| 天天做综合网色综合| 丁香五月天黄色片| 色色色综合视频| 激情五月丁香五月| 婷婷色综合中心站| 亚洲一色色色色色色色色| 小泽玛利亚视频一区二区| 久久人妻系列| 99热这里只有精| 丰满少妇乱A片无码| 成人.在线日韩| 午夜九九电影| 五月丁香六月综合基地| 色婷婷在线视频| 少妇伦子伦精品无吗| 五月天婷婷久久| 精品三区影院| 丁香六月五月天| 欧美性生交XXXXX无码小说| 激情综合五月| 久久人妻精品| 超碰99成人在线| 激情六月综合| 激情六月婷婷| 五月色丁香| 人人播| 亚洲深喉aV| 九月丁香八月婷婷久久综合久97| 婷婷五月超碰| 国产视频福利| 欧洲日韩一区二区三区| 夜夜干夜夜操| 在线只有精品| 九九热黄色| 91色综合网| 人妻内射一区二区在线视频| 裸睡玩奶头(高H)| 九九激情视频| 九九视频热| 91精品久久久久久久久久久久| 99免费视频| 99re这里只有| 久久99精品久久久久久三级| 婷婷五月激情四月综合| 亚洲丁香网| 五月婷婷激情日本| 亚洲av| 色色色色色色色色色色色色色97| 日韩成人精品中文字幕| 久久久A级视频| 插插干干干色| 人人摸人人| 99ri视频| 超碰大香蕉网| rr天天操| 亚洲操逼网| 免费97碰碰| 五月激情丁香| 中文人妻AV久久人妻18| www.色色五月天.com| 五月婷婷乱| 天天色播| 国产阿姨日皮艹逼内射视频 | 欧美英丁香开心快乐六月天网| 欧美三级巜人妻互换| 五月天啪啪啪| 国产XXXX搡XXXXX搡麻豆| 六月婷婷视频| 婷婷久久欧美| 色婷婷丁香五月在线观看| 99热这里只有精品8| 97久久久久| 久久久久久五月天| 婷婷五月婷婷| 色五月色图| 欧美丁香五月| 182.t午在线观看| 五月婷婷开心爱| 玖玖热视频| 站长推荐无码播放| 97性视频| 婷婷99丁香| 国产精品久久久60086| 人人草人人爱| 五月天无码| 激情五月天视频| 欧美日韩成人在线| a九九热www| 婷婷在线播放| av一区免费看| 99亚洲日韩| 婷婷色色色| 色婷婷视频综合| 日碰日| 99.色| 久久久99精品免费观看| 色五月婷婷、老熟女| 亚洲视频在线观看| 五月丁香999| 日本精品久久久久中文字幕| 五月婷亚洲精品AV天堂| 手机旧版看人妻1025| 99这里只有精品| 99热黄| 久久这里只精品66| 久久丁香五月婷婷| 五月丁香在线视频观看| 人妻av在线| 亚洲俩性性爱图片久久第六页| www.色婷婷.com| 99热国产国产| 久久探花91swag| 五月天激情AV| 狠爱婷色| 色丁香久久| 日本人妻A片成人免费看片| 91久久九久久九久久九久久九久久| 狠狠色丁香久久婷婷综合五月| 天堂网啪啪| 97人操人免费视频| 这里只有精品视频99| anquye伊人| 国产精品色情AAAAA片软件| 激情综合丁| 激情碰碰碰| 99热这里只有精品99| 色吊丝av中文字幕| 激情久久五月天| 五月婷丁香| 成人无码精品1区2区3区免费看| 激情五月天色爱| 操操熟女| 综合五月婷婷| 天天拍夜夜爽日日| bukadeavzaixian| 超碰人人艹| 深爱五月激情| 中文字幕1区2区。| 六月五月久久丁香| 天天干天天做| 婷婷色无码| 激情五月婷婷视频一区二区三区| Av九九| 91婷婷丁香五月| 亚洲第二AV| 久热这里只有精品在线| 99热热热99精品婷婷| 超碰只有精品在线| 级人人91| 久热re在线视频| 丁香五月欧美成人| 激情综合五月| 播五月婷婷开心| 日韩九区| 欧美激情综合五月色丁香| 97婷婷五月| 丁香婷婷黄网站| 日韩av在线播放综合网| 婷婷综合爱| 男女免费视频999| 玖玖资源在线视频| 大狠狠在线| 色操b| 国产精品日日躁夜夜躁| 六月丁香婷婷色狠狠久久| 99精品在线观看视频| 成人中文字幕在线| 14色综合婷婷| 成人日韩欧美| 天天狠狠插| 天色综合网| 92久久精品一区二区| 天天爱天天狠天天透| 亚洲va欧美| 9l久久久视频| www.色婷婷| 色五月激情综合| 婷婷五月天激情四射| 欧美激情综合色综合啪啪五月| AV在线大香蕉| 色婷婷五月天天天天天| 久久影视婷婷五月| 色婷婷综合久久| 丁香五月婷婷综合激情哟哟哟| 99热这里只有精品国产首页| 激情小说五月丁香在线视频观看视频| 超碰成人AV| 久久激情五月| 免费的日逼视频| 大香蕉久久伊人网| 丁香五月婷婷网| 日本不卡五月婷婷丁香| enecarbon-materials.comWu染请涟系Bao护@wip1688 | 蜜臀av无码久久久久久久久| 《蜘蛛女》梁铮1995| 激情五月综合网最新| 色五月激情网| 婷婷影院欧美| 久久丁香综合精品综合| 成人中文网| 亚洲综合色色色| 激情五月婷婷网在线观看| 亚洲无码你懂的| 五月婷婷六月丁香| 色国产五月| 婷婷她六月天| 综合伊人久久| 2021日韩无码| www网站在线观看| 激情性爱五月天网页| www.99热| 色婷网| 五月天操逼激情| 五月天婷婷综合| 亭亭玉月丁香| 精品人妻伦九区久久AAA片| 9久热| 五月婷婷亚洲色视频| 五月丁查人人| 狠狠狠五月婷婷六月丁香| 欧洲日韩一区二区三区| 色情五月天se| 久久成人综合五月天| 婷婷开心深爱五月天| 色色色99| 日韩免费乱轮网站| 六月激情婷婷色| 天天网站天天爽| 校园激情 亚洲| 伊人五月人妻精品| 天天成人丁香美女AV| 久色网五月| 天天操夜夜爱| 天天爽日日搞| 色婷婷丁香五月丁香| 伊人国产婷婷五月天| 天堂爱爱| 五月婷婷色情| 亚城区在线| 5月婷婷激情网| 五月天社区狠狠| 六月丁香综合999| 色婷婷在线视频综合| 人人色AV| 婷婷综合色播网| 开心婷婷中文字幕| 美欧日韩国产成人在战| 亚洲99热| 97在线观视频免费观看| 中文AV网站| 九九99在线| 99色1| 性热视频99精品| 久久精品凹凸分类| 天天操婷婷| 99噜噜噜在线播放| 亲子乱av一区二区三区的| 五月天久草| 99riAV国产精品视频| 亚洲激情亚洲激情| 99热只有精品在线观看| 色色色热| 欧洲色| 人人摸人人干| 另类图片五月天激情| henhencao国产在线| 4399精品一区二区| 777精品久无码人妻蜜桃| 碰99在线| 婷婷六月激情| 婷婷色5月天在线。| 亚洲色爱综合| 玖玖在线视频| av免费人人| 99热在线播放| 伊人婷婷色| 天天看片日日夜夜| 日日日天天干| 亚洲av骚货| 五月天婷婷色色| 九九色综合九九色| 综合网啪| 熟女少妇内射日韩亚洲| 婷婷五月天97干| 色五月婷婷大香蕉| 噜噜噜噜噜日本视频| 五月激情影院| 国外亚洲成AV人片在线观看| 成人综合视频在线| 六月色色婷婷| 99激情| 五月天怕怕| 中国AV性爱观看| 激情伊人| 91久草五月天婷婷| 五月激情久久综合| 99久精品视频| www.色色色com| 色婷婷丁香五月天| 激情五月丁香亭亭| 五月丁香六月激情在线| 日本色色影院| 久久人人人人妻| 激情小说五月天| 一区二区你懂的| 丁香五月激情六月欧亚激情综合导航| 丁香六月情| 中文字幕丰满孑伦无码专区| 婷婷五月六月丁香综合| 激情欧美婷婷| 婷婷五月免费视频| 《亚洲操B久久免费在线观看,亚洲操B久久在线播放》在线播放 - 高清资源 - 97 | 激情婷婷六月天| 国产成人片| 99热大香蕉| 天天干电影| 天天在线久久综合 | 久久人妻熟女一区二区| 99久久婷婷| 色五月成人| 9色天堂| 中文不卡一二三区| 99碰碰| 人人舔天天| 婷婷五月花| 国产精品电影网| 五月天色婷婷伊人网| 99色热| 久久五月综合| 99综合自拍| 久久天堂婷婷五月| 婷婷五月天电影在线| 婷婷的99视频网站| 黄色成人AV在线| 久久人人人人妻| 狠狠穞A片一區二區三區| 国产成人综合网| 色5月婷婷色| 丁香花成人区| 舔色婷婷| 狠狠婷婷日韩| 婷婷激情丁五月| 99精品国产乱码久久久人妻| av九九| 丁香五月性| 中文字幕激情综合| 婷婷五月激情中文字幕| 亚洲一区二区 成人网站戴套| 日韩精品色| 日韩精品一区二区三区,四区,五区视频| 天天天操天天天爰| 久久五月天婷婷| 性爱动图国产麻豆一区二区三区 | 97人妻碰碰中文无码久热丝袜| 91疯狂操操操操| 国产精品色色| 婷婷五月精品中文字幕| 丁香五月婷婷大香蕉| cao视频,现在观看| 99热免| 色婷综合| 丁香五月婷婷视频| 色色色五月婷| 九九热99视频| 日韩婷婷五月| 丁香六月婷婷久久综合| 丁香婷婷六月天| 91av传媒高清在线视频网| 26uuu亚洲欧美| 久久综合综合综合| 色婷婷视频在线| 第四色网婷婷| 丁香六月啪啪| 狠狠久久婷五月综合色| 日韩av变天就操逼不卡区| 精品久久久久久久久久久久人妻| 美女被操一区二区| 人妻精品一区二区三区| 欧美婷婷日本| 99视频精品| 久久大香蕉同僚| 1024欧美日韩精品久久久| 亚洲综合色激情色五月| 思思久久精品| 三级三久久线久久99久目本WW| 欧美精品18| 婷婷9月天| 99视频日韩| 日韩精品一区二区刘| 五月丁香成人网| 婷婷五月天欧美| 射久久丁香五月| 五月噜噜噜色综合| 欧美色图天堂网| 久久九区| 婷婷五月丁香激情图片| 丁香五月天视频| 欧洲亚洲免费视频9 | 91精品久久久久久| 五月婷丁香在线视频在线| 九九综合| 色碰碰| 开心激情色婷婷五月天| 4399在线日本A片| 91婷婷丁香| 五月天伊人日日噜影片AV| 综合激情五月丁香9999久久精| 五月丁香激情综合网官网| 九九热在线视频| 色婷视频| 婷婷中文字幕欧美| 狠狠综合| 激情五月婷| 日本天天色| 五月天啪啪视频| 欧美性生交A片免费看| 夜色五月天| 国产成人在线精品| 六月丁香婷婷视频综合在线观看| www。88热在线视频免费观看| 五月天婷婷色播| 欧日美女Va| 五月丁香六月香香蕉| www.9797国产| 色你久久| 97久久人人| 蜜乳A√| 色婷婷狠| 人妻少妇色综合| 天天搞夜夜爽夜夜爽| 婷婷五月综激情| 久久这里在精品视频| 五月欧美色色五月| 五月丁香婷婷婷激情爱爱| 人人人操| 日韩黄在免| 开心色色五月天综合| 色综合网页| 夜夜操少妇| 991精品在线视频| 五月天深爱激情网| 99精品大片| 九九成人| 久久九精品| 超碰在线观看成人视| 久久久久久久97| 玖玖综合色| 亚洲电影在线观看| 丁香五月激情性色郤| 激情五月狠狠喔| site:esunnet.com| 欧州婷婷五月天综合| 99热99精品| 激情五月婷婷丁香六月| 久久色天堂| 九九无码| 91seAV| 9婷婷内射| 精品皮股午夜AV| 十二区无码| 成人在线精品| 色情免费视频播放| 男妓跪趴把舌头伸进我的嘴巴| 九色视频91| 99热这里是精品| 久久综合66| av中文字幕免费观看| 丁香婷婷九月| 国产精品大香蕉| 夜丁香五月婷婷| 色婷婷婷婷| 成人无码髙潮喷水A片| 六月丁香五月天| www.婷婷网| www.激情五月天.com| 99操碰| 色小说婷婷五月天天天| 天堂草在线看www| 99久视频| 五月丁香啪啪网| 激情婷婷丁香色五月| 中文字幕人成乱码在线观看| 91成人电影| 九九久久这里只有精品XB| 亚洲网视屏| 97男人天堂| 五月丁香操婷逼| 久久9精品| 嫩草极品| 六月婷婷色综合| 97干网站| 九九久久99| 婷婷五月天xxx| 欧美天天爽| 婷婷五月情| 9久久AV| 国产精品成av人在线视午夜片| 五月天婷婷综合| 大香网伊人久久综合| 在线网黄| 国产婷婷五月天| 97影院一级片| 五月婷婷福利| 婷婷久久免费看| 91碰碰碰久久久久| xxx日本东京热| 久久作爱| 国产免费av在线| 五月天婷婷青青| 另类专区在线观看| 六月丁香狠狠爱| 五月激情天| 国产真人做爰视频免费| 99亚洲天堂| 久久六月天| 色五月大| 色五月激情综合网| 人妻九九九九| 婷婷五月天日本无码| 99综合一区| 激情综合网激情五月欧美| 开心五月综合激情综合五月| 99精品视频在线观看| 成人综合伍月天| 逼特逼在线免费播放| 五月丁香综合激情网| 亚洲视频五区| 久热这里只有精品3| 中字幕视频在线永久在线观看免费| 在线,国产,色,热视频| 婷婷五月色播天| 夜夜夜夜夜骑撸| 激情五月天丁香| 99久久九九视频| www,婷婷| 激情綜合網址| 狠狠色丁香乆乆| 亚洲av无码精品色午夜| 久久婷婷五月天懂色| 天天 青草 丝袜制服 在线| 亚州AV超碰人人操| 丁香婷婷社区| 四色五月婷婷| 亚洲性爱AV在线| 久久五月天丁香花| 九九九九九999999| 一起草Av| 婷婷五月天综合中文| 美欧日韩国产成人在战| 99色| 五月婷婷九九热| 午夜色婷婷| 婷婷五月丁香激情图片 | 久操乱| 日韩黄色电影| 九九久久综合网站| 香蕉久久国产AV一区二区| 国产亚洲精品AAAAAAA片| 1024AV视频| 五月丁香色婷婷伊人| 久鲁鲁色网| 久草热视频在线观看| 色99在线| 51XX嘿嘿午夜无码| 丁香五月天婷婷在线视频| 夜夜爽天天爽| 欧美综合激情| 97碰在线视频| 97五月天婷婷| 婷婷五月色| 99色热视频| www.狠狠艹| 97精品人人A片免费看| 色婷天天| 五月婷婷五月天在线| 五月天色小说| 99爱爱网| 色情性爱视频网址| 九九免费视频| 无码 av电影| 婷婷丁香第一页| 婷婷久久五月丁香| 五月婷婷五月| 日韩三级视频一区二区| 久久综合爱| 能直接看的AV网站| 91五月天| 久久日婷婷| 欧美天堂婷婷日韩| 天天干在线播放| 99热| 9精品久久999| 少妇高潮A片无套内谢麻豆传| 丁香啪啪| 91丁香婷婷综合久久欧美| 91xxxx九色| 91九色国产在线| 大香蕉综合网| 色情免费视频播放| 婷婷伊人久久综合| 色色网站| 日本片日本片祼观看网站在线看中文版网页在线看| 成人丁香五月| 综合另类激情| 99狠狠操一| 伊人五月天综合网| 丁香婷五月| 丁香五月综合婷婷| 狠狠色综合网| 五月停停激情网| 精品久久99码| 婷婷五月天奸女| 男女啪啪做爰高潮无遮挡| 久久性都花花世界成人免费视频| 丁香久月| 亚洲瑟瑟精品在线| 色五月天本日| 香蕉婷婷色五月| 中文中文在线| 天啪天啪天啪天啪| 日本3级片偷拍网站| 人妻性操逼中文字幕 国产| 婷婷五月亚洲一本在线丁香| 色欲色香综合网| 日日影院 | www,五月天com| 看久久性爱视频| 成人日韩欧美| 夜夜久久综合网| 色婷婷婷婷成人网| 婷婷五月综合色拍| 色色色成人网| 久久A极片| 丁香六月 人妻| 亚洲色综合| 碰碰碰97免费精彩视频| 婷婷五月丁香五月| 五月网网站| 色五月天丁香婷婷| 99草在线免费观看视频| 九热在线这里有精品6| AV色婷婷| 人人肏逼视频在线一区二区| www.婷婷网| 天天天天天日| 九九成人电影婷婷| 综合久久高清| 这里精品| 伊人婷婷99热精品| 99这里精品| 风流少妇A片一区二区蜜桃| 六月色色婷婷| 丰满人妻一区二区三区| 国产精品久久欧美久久一区| 久久六月天| www.夜夜| 色性综合| 99re8这里只有精品99re8热视频| 久久99精品久久久久久青青AR| www.minyis.com【JT】国内CDN落地页保证转化QQ2101460746 | 色五月婷婷久久大| 色女人久久| 97人人做| 欧类av怡春院| 婷婷丁香五月噜噜噜| 全部老头和老太XXXXX| 天天爽成人综合网站| 天天精品视频免费观看| 99re思思| 五月天婷婷综合网| 人人舔人人色人人高潮| 90色免费视频| 婷婷五月丁香香蕉| 色婷婷综合在线| 久久激情天堂| 亚洲欧洲99| 欧美大片| 天天干天天插| 五月天停停日日| 五月丁香影院| 久久人操-久草婷婷-成人AV| 97一区二区| 天堂成人A片永久免费网站| 日韩高清成人| 色婷婷五月中文字幕在线dvd| 蜜桃婷婷丁香| 五月天播播综合| 亚洲无码成人网| 色婷婷四色| 午夜婷婷久久 | 五月天婷婷乱论小说| 国产激情久久久|