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)營的一線實(shí)戰(zhàn)洞察。

二手車價(jià)格預(yù)測(cè)實(shí)戰(zhàn):從RMSLE評(píng)估到LightGBM特征工程與模型融合

二手車價(jià)格預(yù)測(cè)實(shí)戰(zhàn):從RMSLE評(píng)估到LightGBM特征工程與模型融合 簡(jiǎn)介面向大學(xué)生競(jìng)賽與課程設(shè)計(jì)的二手車價(jià)格預(yù)測(cè)優(yōu)勝方案源碼資料包源自阿里天池與Datawhale聯(lián)合舉辦的賽事包含獲獎(jiǎng)方案的完整項(xiàng)目說明。壓縮包共十五個(gè)文件以Python腳本為主體輔以md說明文檔、txt依賴清單與少量備份文件整體僅約610KB體量輕巧當(dāng)前已有42人瀏覽學(xué)習(xí)。資料完整覆蓋數(shù)據(jù)預(yù)處理、特征工程、模型訓(xùn)練與集成融合等競(jìng)賽核心環(huán)節(jié)包含基于梯度提升樹、神經(jīng)網(wǎng)絡(luò)及多模型加權(quán)融合等不同思路的建模代碼并附預(yù)測(cè)結(jié)果數(shù)據(jù)表能夠幫助使用者系統(tǒng)理解獲獎(jiǎng)方案的構(gòu)建脈絡(luò)并快速復(fù)現(xiàn)。適合計(jì)算機(jī)科學(xué)、應(yīng)用數(shù)學(xué)、電子信息工程等相關(guān)專業(yè)的學(xué)生或科研人員作為課程設(shè)計(jì)、畢業(yè)設(shè)計(jì)或?qū)W術(shù)競(jìng)賽的參考范本其思路亦可遷移至房?jī)r(jià)、銷量等同類回歸預(yù)測(cè)問題。1. 二手車價(jià)格預(yù)測(cè)競(jìng)賽不是比模型是比誰更懂二手車的定價(jià)邏輯同一臺(tái)車有人估 9 萬有人報(bào) 11 萬差價(jià)背后不是玄學(xué)而是對(duì)車齡、里程和品牌殘值率的理解深度。某競(jìng)賽平臺(tái)與某開源學(xué)習(xí)社區(qū)聯(lián)合舉辦的二手車價(jià)格預(yù)測(cè)賽題要求根據(jù)車輛的多維信息預(yù)測(cè)成交價(jià)評(píng)估指標(biāo)直接對(duì)標(biāo)行業(yè)里的定價(jià)偏差。這類賽題的優(yōu)勝方案通常不是最深的神經(jīng)網(wǎng)絡(luò)而是把特征工程、交叉驗(yàn)證和多模型融合做到極致的一套樹模型方案。這篇筆記會(huì)從數(shù)據(jù)認(rèn)知、特征構(gòu)造、模型訓(xùn)練講到源碼組織完整拆解一套可復(fù)現(xiàn)的建模流程適合想入門結(jié)構(gòu)化數(shù)據(jù)競(jìng)賽的開發(fā)者也適合正在做二手車估值系統(tǒng)的工程師。我們先從賽題數(shù)據(jù)本身開始。2. 賽題拆解與數(shù)據(jù)認(rèn)知價(jià)格為什么是長尾分布以及我們要預(yù)測(cè)什么不少參賽者拿到數(shù)據(jù)后第一件事就是跑一個(gè) LightGBM但如果不先理解價(jià)格分布和評(píng)估指標(biāo)后續(xù)所有調(diào)參都是在黑匣子里瞎試。二手車價(jià)格預(yù)測(cè)本質(zhì)上是一個(gè)回歸問題但它的特殊之處在于目標(biāo)變量跨越一萬元到上百萬元誤差度量方式直接決定了你該優(yōu)化什么。2.1 任務(wù)定義與評(píng)估指標(biāo)你優(yōu)化的不是誤差而是對(duì)數(shù)誤差官方在賽題說明里通常會(huì)把評(píng)估指標(biāo)定義成 RMSLERoot Mean Squared Logarithmic Error也就是對(duì)真實(shí)價(jià)格和預(yù)測(cè)價(jià)格分別取對(duì)數(shù)后計(jì)算 RMSE。為什么要這樣設(shè)計(jì)因?yàn)橐惠v 3 萬的車少估 3 千和一輛 30 萬的車少估 3 千在絕對(duì)誤差上是相同的但在買賣雙方的心理感知上完全不同。取對(duì)數(shù)后3 萬車少估 3 千對(duì)應(yīng) log 誤差約 0.130 萬車少估 3 千對(duì)應(yīng) log 誤差約 0.01這樣就把“相對(duì)誤差”作為懲罰核心更貼近二手車定價(jià)業(yè)務(wù)。所以在訓(xùn)練之前我一般會(huì)先寫一個(gè) RMSLE 計(jì)算函數(shù)用作所有模型驗(yàn)證的統(tǒng)一標(biāo)尺。import numpy as np def rmsle(y_true, y_pred): # 將真實(shí)值和預(yù)測(cè)值都限制在非負(fù)范圍避免對(duì)負(fù)數(shù)取對(duì)數(shù) y_true np.maximum(y_true, 0) y_pred np.maximum(y_pred, 0) # 用 log1p 計(jì)算對(duì)數(shù)誤差的均方根等價(jià)于對(duì)價(jià)格取 log 后的 RMSE return np.sqrt(np.mean((np.log1p(y_true) - np.log1p(y_pred)) ** 2))這段代碼里有三個(gè)關(guān)鍵點(diǎn)np.maximum 是為了防止極端預(yù)測(cè)值出現(xiàn)負(fù)價(jià)格而做兜底np.log1p 是 log(x1)在價(jià)格接近 0 時(shí)比 log(x) 更穩(wěn)定整個(gè)函數(shù)返回的是一個(gè)標(biāo)量分?jǐn)?shù)分?jǐn)?shù)越低代表相對(duì)誤差越小。后續(xù)每一次交叉驗(yàn)證、特征篩選、融合權(quán)重調(diào)整我都用這個(gè)函數(shù)來打分不額外看別的指標(biāo)。明確了優(yōu)化目標(biāo)之后還需要知道訓(xùn)練數(shù)據(jù)長什么樣。這里要提醒一下RMSLE 和 RMSE 的數(shù)值有很大差異不要拿 RMSE 的標(biāo)準(zhǔn)去評(píng)判 RMSLE。2.2 探索性數(shù)據(jù)分析先看價(jià)格分布、缺失值和異常值再談建模EDA 看起來是體力活但往往決定了后續(xù)特征工程的走向。我用 pandas 加載訓(xùn)練集后第一件事是看 shape、字段類型和描述統(tǒng)計(jì)重點(diǎn)關(guān)注 price、mileage、reg_date 這三個(gè)字段的分布和缺失比例。常見的數(shù)據(jù)集里品牌、車系、上牌日期、行駛里程、排量、變速箱、燃料類型、過戶次數(shù)、是否事故車等字段都會(huì)出現(xiàn)其中上牌日期和過戶次數(shù)的缺失率往往不低這部分要先記錄下來。價(jià)格分布是典型的右偏分布少量豪華品牌的高價(jià)車占據(jù)長尾如果直接用原始價(jià)格做回歸模型會(huì)被那些幾十萬的車主導(dǎo)忽略了幾萬元區(qū)間的主流樣本。所以我會(huì)同時(shí)畫原始價(jià)格和 log 價(jià)格兩個(gè)直方圖確認(rèn)取對(duì)數(shù)后的分布是否接近正態(tài)。import pandas as pd import matplotlib.pyplot as plt train pd.read_csv(train.csv) print(train.shape) print(train.describe(percentiles[0.01, 0.25, 0.5, 0.75, 0.99])) plt.hist(train[price], bins100) plt.yscale(log) plt.show() train[log_price] np.log1p(train[price]) plt.hist(train[log_price], bins100) plt.show() missing train.isnull().sum() print(missing[missing 0])上面這段代碼里train.describe 的 percentiles 參數(shù)會(huì)額外給出 1% 和 99% 分位數(shù)方便快速發(fā)現(xiàn)極端價(jià)格plt.yscale(log) 讓長尾更加直觀最后打印的 missing 列表是后續(xù)填充策略的依據(jù)。如果看到 price 的最小值是 0 或者接近 0大概率是樣本異常或者數(shù)據(jù)采集錯(cuò)誤需要在特征工程階段處理。一個(gè)常見的數(shù)據(jù)集字段說明可以整理成下面這樣方便后續(xù)寫代碼時(shí)對(duì)照。字段名類型業(yè)務(wù)含義預(yù)處理關(guān)注點(diǎn)brand_idint品牌編碼是否需要做目標(biāo)編碼reg_datedatetime上牌日期計(jì)算車齡mileagefloat行駛里程萬公里缺失值、異常值powerint最大功率馬力缺失填充gearboxstr變速箱類型轉(zhuǎn)類別編碼fuel_typestr燃料類型轉(zhuǎn)類別編碼transfer_countfloat過戶次數(shù)缺失用 unknownpricefloat成交價(jià)萬元僅訓(xùn)練集有需取對(duì)數(shù)從這張表可以直觀看出真正需要手工處理的字段并沒有多少但這不代表建模簡(jiǎn)單。price 和 mileage 之間是明顯的非線性關(guān)系和 reg_date 之間存在車齡的單調(diào)衰減這些關(guān)系都靠特征工程去表達(dá)。2.3 從原始字段到有效特征車齡、里程、品牌殘值率的構(gòu)造邏輯原始字段很少能直接進(jìn)模型。日期字段必須轉(zhuǎn)成車齡里程數(shù)要考慮單位是否統(tǒng)一品牌這種高基數(shù)類別特征需要找到一種既能保留信息又不過擬合的編碼方式。車齡的構(gòu)造很簡(jiǎn)單用數(shù)據(jù)采集年份或者銷售年份減去上牌年份。為什么不用上牌日期本身因?yàn)闃淠P蜔o法理解“2017 年”這個(gè)數(shù)字的大小與價(jià)格衰減的關(guān)系但車齡“5 年”是一個(gè)連續(xù)變量模型可以學(xué)出“前 3 年貶值最快、5 年后貶值放緩”這種分段關(guān)系。里程也是一樣單純用“里程×車齡”不如“年均里程”更能反映車輛的使用強(qiáng)度。品牌殘值率是這類賽題最重要的特征。不同品牌的三年保值率可能從 45% 到 75% 不等這種差異比單一品牌 ID 更有解釋力。常見做法是統(tǒng)計(jì)每個(gè)品牌在訓(xùn)練集中的平均成交價(jià)作為該品牌的價(jià)格基準(zhǔn)。import pandas as pd import numpy as np train[reg_year] pd.to_datetime(train[reg_date]).dt.year train[reg_month] pd.to_datetime(train[reg_date]).dt.month train[car_age] train[sale_year] - train[reg_year] train[mileage] train[mileage].astype(float) train[mileage_per_year] train[mileage] / (train[car_age] 1) brand_mean_price train.groupby(brand_id)[price].transform(mean) train[brand_price_mean] brand_mean_pricecar_age 單位是年sale_year 一般來自數(shù)據(jù)集提供的銷售年份字段如果沒有可以考慮用數(shù)據(jù)發(fā)布時(shí)間。mileage_per_year 的計(jì)算里加了一個(gè) 1是為了避免新車車齡為 0 時(shí)出現(xiàn)除零錯(cuò)誤同時(shí)也平滑了分母。brand_price_mean 用 transform 一次性映射到每一行方便后續(xù)直接作為特征。這里要注意brand_price_mean 是用全量訓(xùn)練集統(tǒng)計(jì)出來的如果直接用于交叉驗(yàn)證會(huì)出現(xiàn)標(biāo)簽泄漏某條樣本的預(yù)測(cè)值里包含了它自己所在品牌的平均價(jià)格信息。正確做法是在每一折內(nèi)重新統(tǒng)計(jì)或者使用后面會(huì)講到的目標(biāo)編碼。我在這里先展示特征構(gòu)造的思路后面章節(jié)會(huì)給出防泄漏的實(shí)現(xiàn)。數(shù)據(jù)認(rèn)知到此為止接下來進(jìn)入特征工程和清洗環(huán)節(jié)。這個(gè)環(huán)節(jié)決定了你最終是站在排行榜中游還是上游。3. 特征工程與數(shù)據(jù)清洗決定名次的是特征不是調(diào)參特征工程是最能拉開排名差距的部分而它也是最容易被新手忽略的部分。很多參賽者拿著同一個(gè) LightGBM 參數(shù)跑完就去看排名卻不知道別人在特征上多花了兩倍時(shí)間。3.1 缺失值填充與異常價(jià)格處理避免把事故車當(dāng)正常車缺失值處理常常被一句 fillna(0) 帶過但二手車數(shù)據(jù)里的缺失往往帶有業(yè)務(wù)含義。比如過戶次數(shù)缺失可能是車商沒有錄入也可能是數(shù)據(jù)源本身沒有這項(xiàng)記錄如果直接用 0 填充模型會(huì)學(xué)到“缺失從未過戶”這種錯(cuò)誤信號(hào)。我習(xí)慣對(duì)類別型缺失單獨(dú)標(biāo)記一個(gè) unknown 類別讓樹模型自己去判斷缺失與目標(biāo)的關(guān)系。數(shù)值型字段的缺失要分情況排量、功率這類連續(xù)值往往和車型定位相關(guān)用中位數(shù)填充比均值更穩(wěn)因?yàn)橹形粩?shù)不受極端值影響。如果字段缺失率超過 40%我傾向于直接剔除而不是強(qiáng)行填充因?yàn)樘畛湟粋€(gè)半數(shù)以上都是缺失的字段等于是在制造噪聲。價(jià)格異常值是另一個(gè)坑。有些樣本成交價(jià)低到幾百元對(duì)應(yīng)的卻是正常描述的車況這大概率是數(shù)據(jù)采集錯(cuò)誤或者特殊交易情形。如果不處理模型會(huì)為了擬合這些離群點(diǎn)而扭曲整個(gè)分裂邏輯。同時(shí)還要留意價(jià)格和里程的聯(lián)合異常比如里程只有 1 萬公里但價(jià)格只有同款車的 20%可能是事故車如果數(shù)據(jù)集里帶有事故車標(biāo)記可以直接利用。train[transfer_count] train[transfer_count].fillna(unknown) train[displacement] train[displacement].fillna(train[displacement].median()) train train[(train[price] 0.5) (train[price] 100)] train train[~((train[mileage] 2) (train[price] train[price].quantile(0.1)))]第一行把過戶次數(shù)缺失變成獨(dú)立的 unknown 類別第二行用中位數(shù)填充排量避免均值被大排量車型拉高。后面的過濾條件我是按價(jià)格在 0.5 萬到 100 萬之間來篩具體閾值根據(jù)賽題的價(jià)格分位數(shù)調(diào)整最后一行過濾掉“低里程但極低價(jià)”的矛盾樣本這類樣本十有八九是異常數(shù)據(jù)。過濾比例如果超過訓(xùn)練集的 5%就要回頭檢查是否誤殺了真實(shí)的特價(jià)車。3.2 類別特征編碼與組合特征品牌、車系、變速箱如何進(jìn)入樹模型類別特征的編碼方式直接影響樹模型的表達(dá)能力。簡(jiǎn)單高基數(shù)類別比如車系如果直接用 LabelEncoder等于給車系賦予了一組任意整數(shù)編號(hào)樹模型會(huì)誤以為編號(hào)之間有大小關(guān)系。LightGBM 支持直讀類別特征但需要在 Dataset 中指定 feature_name 和 categorical_feature 參數(shù)否則也會(huì)自動(dòng)按數(shù)值處理。對(duì)于高基數(shù)類別我更推薦做目標(biāo)編碼用該類別下的價(jià)格均值作為特征。這樣既編碼了類別本身又編碼了該類別的價(jià)格水平。但目標(biāo)編碼必須防泄漏不能直接在全體訓(xùn)練集上計(jì)算均值否則驗(yàn)證分?jǐn)?shù)會(huì)虛高。from sklearn.model_selection import KFold def target_encoding(df, col, target, n_splits5, seed42): kf KFold(n_splitsn_splits, shuffleTrue, random_stateseed) df[te_ col] np.nan for tr_idx, va_idx in kf.split(df): tr df.iloc[tr_idx] va df.iloc[va_idx] mean_map tr.groupby(col)[target].mean() df.loc[df.index[va_idx], te_ col] va[col].map(mean_map) # 測(cè)試集中出現(xiàn)但訓(xùn)練集中沒出現(xiàn)過的類別用全局均值兜底 df[te_ col] df[te_ col].fillna(df[target].mean()) return df這個(gè)函數(shù)的邏輯是把數(shù)據(jù)分成 5 折對(duì)每一折都用其余 4 折的類別均值去填當(dāng)前折的對(duì)應(yīng)取值。這樣每一行的目標(biāo)編碼都只依賴不在這行本身的歷史信息從機(jī)制上避免了泄漏。n_splits 用 5 還是 10 取決于數(shù)據(jù)量數(shù)據(jù)量在幾萬條以上時(shí) 5 折足夠折數(shù)越多偏差越小但計(jì)算越慢。seed 固定后每次運(yùn)行結(jié)果可復(fù)現(xiàn)。除了編碼組合特征也有很大作用。我一般會(huì)構(gòu)造品牌和車齡的交互、品牌和里程的交互以及排量和變速箱的組合。品牌殘值率明顯不同而同一品牌下5 年 10 萬公里的車和 5 年 5 萬公里的車價(jià)格差可能超過 15%這種差異只有通過交互特征才能被樹模型捕捉到。train[brand_age] train[brand_id].astype(str) _ train[car_age].astype(str) train[brand_mileage_clip] train[brand_id].astype(str) _ pd.cut(train[mileage], 10).astype(str)brand_age 是一個(gè)字符串拼接得到的組合類別用來表達(dá)“某品牌在某車齡區(qū)間”的交叉效應(yīng)brand_mileage_clip 把里程分成 10 檔后再和品牌拼接相當(dāng)于把里程分箱和品牌做了交互。這種手工組合特征在樹模型里往往有奇效因?yàn)樗鼈儽葮淠P妥约赫业?split 更加貼近業(yè)務(wù)邏輯。3.3 價(jià)格對(duì)數(shù)變換與標(biāo)簽編碼讓回歸目標(biāo)更接近正態(tài)分布標(biāo)簽變換是最后一個(gè)關(guān)鍵動(dòng)作。前面看到價(jià)格是長尾分布直接把原始價(jià)格作為目標(biāo)模型在迭代中的梯度會(huì)被大價(jià)格樣本主宰導(dǎo)致小價(jià)格樣本擬合不足。取對(duì)數(shù)后目標(biāo)分布變得對(duì)稱梯度更均衡。在實(shí)現(xiàn)上我會(huì)把標(biāo)簽轉(zhuǎn)換和特征編碼放在同一個(gè)流水線里from sklearn.preprocessing import LabelEncoder le LabelEncoder() for col in [gearbox, fuel_type, color]: train[col] le.fit_transform(train[col].astype(str)) train[log_price] np.log1p(train[price]) feature_cols [car_age, mileage, power, displacement, gearbox, fuel_type, transfer_count, brand_price_mean, mileage_per_year, te_brand_id, te_model_id, brand_age] X train[feature_cols] y train[log_price]LabelEncoder 會(huì)把字符串類別轉(zhuǎn)成從 0 開始的整數(shù)對(duì)樹模型足夠用。注意要保證訓(xùn)練集和測(cè)試集使用同一個(gè) LabelEncoder 對(duì)象最好在訓(xùn)練完成后把訓(xùn)練數(shù)據(jù)中的類別到整數(shù)的映射保存下來推理時(shí)復(fù)用否則類別集合不同會(huì)導(dǎo)致編碼錯(cuò)位。log_price 是后續(xù)所有模型訓(xùn)練的標(biāo)簽?zāi)P皖A(yù)測(cè)出來的是 log 空間的數(shù)值最終提交前要執(zhí)行 np.expm1 還原成價(jià)格。特征工程做完后不要急著訓(xùn)模型先檢查一下特征之間是否有多重共線性或泄漏。比如 brand_price_mean 和 te_brand_id 都表達(dá)了品牌價(jià)格水平兩者高度相關(guān)樹模型雖然不怕共線性但冗余特征會(huì)讓重要性評(píng)估變得混亂。我的習(xí)慣是先跑一個(gè) LightGBM 看特征重要性把重要性很低且確實(shí)業(yè)務(wù)重復(fù)的特征刪掉這樣后續(xù)模型收斂更快。現(xiàn)在進(jìn)入模型訓(xùn)練和驗(yàn)證階段。這一章會(huì)告訴你為什么選 LightGBM、交叉驗(yàn)證怎么做才不失真、融合到底該加權(quán)還是 Stacking。4. 模型訓(xùn)練與交叉驗(yàn)證從單模型到融合優(yōu)勝方案是這樣煉成的特征做到位之后模型選擇變得相對(duì)簡(jiǎn)單。二手車價(jià)格預(yù)測(cè)這類表格任務(wù)樹模型是當(dāng)之無愧的主力而樹模型里我優(yōu)先選 LightGBM。4.1 基線模型選擇為什么優(yōu)先選 LightGBM 而不是線性回歸線性回歸的問題在于它假設(shè)特征和目標(biāo)之間是線性關(guān)系。二手車價(jià)格和里程的關(guān)系顯然不是線性的前 5 萬公里折舊快過了這個(gè)區(qū)間折舊放緩。要讓線性模型 work你需要手工構(gòu)造分箱、交互、多項(xiàng)式特征這個(gè)成本非常高。LightGBM 通過梯度提升和直方圖分裂自動(dòng)學(xué)習(xí)分段常數(shù)函數(shù)正好匹配這種非線性關(guān)系。另一個(gè)理由是工程效率。LightGBM 的內(nèi)存占用低訓(xùn)練速度快自帶處理缺失值的邏輯還支持類別特征直讀。在同樣的特征集上LightGBM 的基線 RMSLE 通常比線性回歸低 20% 到 40%這個(gè)差距不是靠調(diào)參能追回來的。我一般會(huì)先把下面這組參數(shù)作為起點(diǎn)而不是一上來就去搜索超參數(shù)。params { objective: regression, metric: rmse, learning_rate: 0.05, num_leaves: 31, max_depth: -1, feature_fraction: 0.8, bagging_fraction: 0.8, bagging_freq: 1, lambda_l2: 1.0, verbose: -1, seed: 42, }learning_rate 設(shè) 0.05 是比較穩(wěn)的起點(diǎn)如果想追求精度可以降到 0.02但需要增大迭代次數(shù)。num_leaves 是主要復(fù)雜度控制參數(shù)31 對(duì)應(yīng) 2^5-1適合中低維特征如果特征很多可以適當(dāng)加大到 63 或者 127但要注意過擬合。feature_fraction 和 bagging_fraction 都設(shè) 0.8相當(dāng)于每棵樹只用 80% 的特征和 80% 的樣本是兩種并行正則化。lambda_l2 加一點(diǎn) L2 正則讓權(quán)重不要走極端。這些參數(shù)不是固定的但作為基線已經(jīng)能跑出不錯(cuò)的分?jǐn)?shù)。4.2 K 折交叉驗(yàn)證與早停讓驗(yàn)證分?jǐn)?shù)真實(shí)反映線上表現(xiàn)交叉驗(yàn)證是評(píng)估模型的唯一可信標(biāo)尺。單次留出驗(yàn)證的波動(dòng)太大隨機(jī)選一批數(shù)據(jù)當(dāng)驗(yàn)證集運(yùn)氣好就高運(yùn)氣差就低。K 折交叉驗(yàn)證把訓(xùn)練集切成 K 份每份輪流當(dāng)驗(yàn)證最后取 K 次驗(yàn)證分?jǐn)?shù)的平均這樣能減少評(píng)估方差。在二手車價(jià)格賽題里數(shù)據(jù)通常不是嚴(yán)格的時(shí)間序列隨機(jī) K 折是常見做法。但如果數(shù)據(jù)里有明顯的采集日期字段而且價(jià)格隨時(shí)間有趨勢(shì)性變化就要改成按時(shí)間切分用較早的數(shù)據(jù)訓(xùn)練較晚的數(shù)據(jù)驗(yàn)證否則模型會(huì)偷看未來信息。import lightgbm as lgb from sklearn.model_selection import KFold from sklearn.metrics import mean_squared_error kf KFold(n_splits5, shuffleTrue, random_state42) oof np.zeros(len(X)) for fold, (tr_idx, va_idx) in enumerate(kf.split(X)): tr_X, tr_y X.iloc[tr_idx], y.iloc[tr_idx] va_X, va_y X.iloc[va_idx], y.iloc[va_idx] dtr lgb.Dataset(tr_X, labeltr_y) dva lgb.Dataset(va_X, labelva_y) model lgb.train( params, dtr, num_boost_round5000, valid_sets[dva], callbacks[lgb.early_stopping(100), lgb.log_evaluation(0)] ) oof[va_idx] model.predict(va_X, num_iterationmodel.best_iteration) score np.sqrt(mean_squared_error(y, oof)) print(fCV RMSLE: {score:.5f})這段代碼有幾個(gè)細(xì)節(jié)值得注意。dtr 和 dva 分屬訓(xùn)練部分和驗(yàn)證部分early_stopping 在驗(yàn)證集上連續(xù) 100 輪沒有提升時(shí)停止訓(xùn)練避免過擬合的同時(shí)不需要手動(dòng)指定迭代輪數(shù)。predict 時(shí)加上 num_iterationmodel.best_iteration確保使用的是早停時(shí)的最佳模型而不是最后一次迭代的模型。每折訓(xùn)練完都把對(duì)驗(yàn)證集的預(yù)測(cè)存進(jìn) oof最后統(tǒng)一計(jì)算 RMSLE這個(gè)分?jǐn)?shù)就是模型在隨機(jī) K 折下的真實(shí)估計(jì)。如果 CV 分?jǐn)?shù)和線上分?jǐn)?shù)差距很大優(yōu)先檢查是不是交叉驗(yàn)證切分方式與賽題數(shù)據(jù)的生成方式不一致。比如賽題數(shù)據(jù)本身是分多個(gè)批次的或者價(jià)格標(biāo)簽有時(shí)間聚集效應(yīng)這時(shí)候隨機(jī) K 折的 CV 分?jǐn)?shù)會(huì)虛高。4.3 多模型融合策略加權(quán)平均與 Stacking 的取舍單模型跑出合適的 CV 分?jǐn)?shù)后融合是往上走的常見手段。融合的基礎(chǔ)是多樣性不同模型看到的數(shù)據(jù)視角不同它們的錯(cuò)誤模式不同加權(quán)平均后誤差會(huì)互相抵消。常見的組合是 LightGBM、XGBoost、CatBoost也可以加入嶺回歸模型專門擬合線性部分。簡(jiǎn)單加權(quán)平均是最穩(wěn)的融合方式實(shí)現(xiàn)成本低不容易過擬合。權(quán)重不一定要精確搜索我會(huì)先看每個(gè)模型單獨(dú)的 CV 分?jǐn)?shù)分?jǐn)?shù)越好的給越大權(quán)重。一般權(quán)重控制在 0.5、0.3、0.2 這種粗糙的比例即可過度調(diào)權(quán)重反而是在擬合驗(yàn)證集。pred_lgb model_lgb.predict(test_X, num_iterationmodel_lgb.best_iteration) pred_xgb model_xgb.predict(test_X) pred_cat model_cat.predict(test_X) final_pred 0.5 * pred_lgb 0.3 * pred_xgb 0.2 * pred_cat final_price np.expm1(final_pred)這里三個(gè)模型都輸出 log 價(jià)格直接加權(quán)最后 expm1 還原。如果你手頭只有兩個(gè)模型權(quán)重可以改成 0.6/0.4。要注意的是融合前一定要確認(rèn)所有模型用的是同一份測(cè)試集特征并且在相同的 log 空間里輸出否則加權(quán)沒有意義。Stacking 比加權(quán)平均更強(qiáng)但風(fēng)險(xiǎn)也更大。做法是把每折 OOF 預(yù)測(cè)作為第二層的特征然后用一個(gè)簡(jiǎn)單模型比如 Ridge去擬合真實(shí)標(biāo)簽。Stacking 的問題在于第二層很容易過擬合尤其是訓(xùn)練數(shù)據(jù)量不足一萬條時(shí)融合收益會(huì)被過擬合吃掉。我的經(jīng)驗(yàn)是如果 OOF 分?jǐn)?shù)提升不超過 0.001就優(yōu)先用加權(quán)平均只有數(shù)據(jù)量超過 5 萬條或者單模型差異足夠大時(shí)才值得上 Stacking。下面是一個(gè)在實(shí)踐中被反復(fù)驗(yàn)證過的結(jié)論把交叉驗(yàn)證做扎實(shí)比調(diào) 100 組超參數(shù)都有效。CV 分?jǐn)?shù)和線上分?jǐn)?shù)的相關(guān)性是你判斷一切特征和模型改動(dòng)是否有效的唯一標(biāo)準(zhǔn)。只要 CV 和線上相關(guān)性好你的每次改進(jìn)才是真的改進(jìn)否則你只是在對(duì)著排行榜碰運(yùn)氣。5. 二手車價(jià)格預(yù)測(cè)的 5 個(gè)常見坑翻車現(xiàn)場(chǎng)與后悔藥前面講的都是“正確做法”但真正讓你排位靠后的往往是那些看起來無害的處理習(xí)慣。這 5 個(gè)坑我都在復(fù)現(xiàn)這類賽題時(shí)踩過或者見別人踩過每一個(gè)都配了后悔藥。5.1 標(biāo)簽泄漏把“新車指導(dǎo)價(jià)”直接當(dāng)特征現(xiàn)象交叉驗(yàn)證分?jǐn)?shù)極低單模型 RMSLE 能到 0.30 以內(nèi)自己都覺得要拿獎(jiǎng)了結(jié)果一提交線上分?jǐn)?shù)比 CV 高出一大截排名還不如隨機(jī)猜測(cè)。原因數(shù)據(jù)里通常會(huì)有“新車指導(dǎo)價(jià)”或者“廠商建議價(jià)”這類字段。它確實(shí)是很有用的價(jià)格錨點(diǎn)但它和目標(biāo)成交價(jià)高度相關(guān)甚至可以說指導(dǎo)價(jià)已經(jīng)包含了價(jià)格信息。當(dāng)你把指導(dǎo)價(jià)原封不動(dòng)作為特征時(shí)模型學(xué)到的是“成交價(jià)≈指導(dǎo)價(jià)×0.8”之類的映射可測(cè)試集里同樣有這個(gè)字段所以訓(xùn)練時(shí)看似正確但實(shí)際上模型并沒有學(xué)習(xí)到車況、里程這些真正的定價(jià)因素。一旦線上數(shù)據(jù)的指導(dǎo)價(jià)和成交價(jià)關(guān)系發(fā)生漂移立刻翻車。解決不要直接用指導(dǎo)價(jià)把它變成“貶值率”或“價(jià)格折扣”再作為特征貶值率成交價(jià)/指導(dǎo)價(jià)這樣目標(biāo)就和指導(dǎo)價(jià)解耦了。如果這個(gè)字段確實(shí)要保留也要在交叉驗(yàn)證時(shí)做敏感性分析看看去掉它對(duì) CV 分?jǐn)?shù)的影響。還有一種更保險(xiǎn)的做法凡是和目標(biāo)強(qiáng)相關(guān)且業(yè)務(wù)上屬于“結(jié)果”的字段全部剔除。在復(fù)現(xiàn)階段我還會(huì)單獨(dú)算一下指導(dǎo)價(jià)和成交價(jià)的斯皮爾曼相關(guān)系數(shù)如果超過 0.9就提醒自己一定要做變換。5.2 缺失值填充太粗暴用 0 填充類別特征現(xiàn)象模型不報(bào)錯(cuò)特征重要性排名很高CV 分?jǐn)?shù)卻上不去而且在某些細(xì)分品牌上的預(yù)測(cè)嚴(yán)重偏離。原因0 在類別編碼里成為了一個(gè)新類別但缺失并不等于“無”或“手動(dòng)擋”這類含義。以變速箱字段為例如果缺失的車輛其實(shí)是自動(dòng)擋你填 0 后模型可能把“0”分裂成一個(gè)單獨(dú)分支專門預(yù)測(cè)一個(gè)奇怪的中間價(jià)格。樹模型雖然能處理缺失但那是基于模型自己的分裂決策而不是你預(yù)先填充的武斷值。解決類別字段的缺失統(tǒng)一用一個(gè)單獨(dú)字符串 missing 填充然后再編碼數(shù)值字段用中位數(shù)而不是 0 填充如果是布爾型字段比如“是否有事故”缺失就填 unknown。這樣做的核心思想是讓模型自己判斷缺失模式與目標(biāo)的關(guān)系而不是強(qiáng)加一個(gè)業(yè)務(wù)含義。如果數(shù)據(jù)量大我還會(huì)跑兩個(gè)版本做對(duì)比一個(gè)用 0 填充一個(gè)用 missing 填充看 CV 分?jǐn)?shù)的差異是否明顯用數(shù)據(jù)說話而不是拍腦袋。5.3 交叉驗(yàn)證與線上不一致隨機(jī) K 折遇上時(shí)間漂移現(xiàn)象隨機(jī) 5 折 CV 分?jǐn)?shù)穩(wěn)定在 0.25線上分?jǐn)?shù)卻是 0.36而且每次提交都穩(wěn)定差 0.1 左右。原因賽題數(shù)據(jù)如果是按時(shí)間分批收集的汽車價(jià)格會(huì)受市場(chǎng)行情、新車降價(jià)、政策變化等多種因素影響。隨機(jī) K 折把所有樣本混在一起等于讓模型用后幾個(gè)月的數(shù)據(jù)去“訓(xùn)練”前幾個(gè)月的樣本或者反過來說驗(yàn)證集里的樣本在訓(xùn)練集里找到了來自未來的同類信息CV 分?jǐn)?shù)自然虛高。線上評(píng)估時(shí)用的是嚴(yán)格按時(shí)間劃分的新數(shù)據(jù)這種信息被切斷分?jǐn)?shù)就崩了。解決先確認(rèn)數(shù)據(jù)里有沒有時(shí)間戳比如上牌日期、采集日期。如果有按時(shí)間排序后對(duì)樣本編號(hào)取前 80% 做訓(xùn)練、后 20% 做驗(yàn)證。如果你用的是隨機(jī) K 折至少保證 KFold 的 shuffleTrue并且固定 seed方便排查。還有一個(gè)驗(yàn)證方法是把數(shù)據(jù)按月份分組畫一張“每個(gè)月平均成交價(jià)”的曲線看看是否存在明顯趨勢(shì)有趨勢(shì)就按時(shí)間切分沒有趨勢(shì)才可以用隨機(jī) K 折。這個(gè)檢查 10 分鐘就能做完卻能避免后面幾天的無效工作。5.4 對(duì)數(shù)變換的陷阱預(yù)測(cè)值取 exp 后系統(tǒng)性偏低現(xiàn)象RMSLE 看起來合格但把預(yù)測(cè)價(jià)格從 log 空間還原后發(fā)現(xiàn)平均預(yù)測(cè)值比真實(shí)平均值低 5% 到 10%整體偏移。原因在 log 空間用 MSE 做優(yōu)化等價(jià)于擬合目標(biāo)的對(duì)數(shù)幾何均值。當(dāng)你把對(duì)數(shù)均值變換回原始空間時(shí)得到的是幾何均值而真實(shí)數(shù)據(jù)的均值是算術(shù)均值兩者天然存在差距。尤其當(dāng)價(jià)格分布右偏時(shí)這個(gè)差距會(huì)更明顯。LightGBM 的 objectiveregression 直接作用于 log 目標(biāo)所以預(yù)測(cè)的 log 均值天然是偏低的。解決常見做法是做一個(gè)偏差校正系數(shù)。先用訓(xùn)練集每個(gè)測(cè)試樣本的預(yù)測(cè)值乘以一個(gè)系數(shù) cc 真實(shí)價(jià)格均值 / 預(yù)測(cè)價(jià)格均值這個(gè)系數(shù)用 OOF 預(yù)測(cè)計(jì)算得到然后套在測(cè)試集預(yù)測(cè)上。也可以嘗試在訓(xùn)練時(shí)把目標(biāo)換成原始價(jià)格配合 huber loss 等對(duì)異常值魯棒的損失函數(shù)看 CV 分?jǐn)?shù)的變化。我個(gè)人習(xí)慣用 OOF 校正系數(shù)簡(jiǎn)單有效。具體實(shí)現(xiàn)時(shí)我會(huì)把 OOF 預(yù)測(cè)的 exp 值和真實(shí)價(jià)格放在同一張表里算一個(gè)加權(quán)平均系數(shù)再把這個(gè)系數(shù)固化到 predict 腳本里避免每次提交時(shí)手動(dòng)改。5.5 融合時(shí)權(quán)重拍腦袋沒有考慮相關(guān)性現(xiàn)象兩個(gè)單模型 CV 分?jǐn)?shù)都是 0.26融合之后 CV 分?jǐn)?shù)反而變成 0.27還不如取最好的單模型。原因融合的前提是模型之間具有多樣性。如果你把同一個(gè) LightGBM 用不同的隨機(jī)種子跑了兩次這兩個(gè)模型的預(yù)測(cè)高度相關(guān)錯(cuò)誤模式幾乎一樣加權(quán)平均不僅不會(huì)糾錯(cuò)還可能把某些正確預(yù)測(cè)平均偏。如果再加一個(gè) CatBoost但它和 LightGBM 在特征使用上太接近融合收益也有限。解決在融合前先計(jì)算各模型 OOF 預(yù)測(cè)之間的皮爾遜相關(guān)系數(shù)。只保留相關(guān)系數(shù)低于 0.95 的模型進(jìn)入融合如果兩個(gè)模型相關(guān)系數(shù)超過 0.97說明它們幾乎等價(jià)留一個(gè)就行。權(quán)重不要純靠感覺可以用一個(gè)簡(jiǎn)單的網(wǎng)格搜索在驗(yàn)證集上遍歷權(quán)重組合選出 CV 分?jǐn)?shù)最低的組合但要在多折上確認(rèn)穩(wěn)定性防止過擬合驗(yàn)證集。我一般把權(quán)重搜索步長設(shè)為 0.1組合數(shù)量控制在 100 以內(nèi)跑完后的最優(yōu)權(quán)重如果和啟發(fā)式權(quán)重差距很大反而要警惕是不是驗(yàn)證集太小。6. 把項(xiàng)目說明寫成別人能復(fù)現(xiàn)的東西源碼結(jié)構(gòu)、運(yùn)行順序與你的第一個(gè)改進(jìn)點(diǎn)一個(gè)能拿獎(jiǎng)的方案源碼質(zhì)量和項(xiàng)目說明同樣重要。很多人跑完模型就丟在一堆 Untitled.ipynb 里等到想復(fù)現(xiàn)的時(shí)候發(fā)現(xiàn)忘了哪步在前哪步在后。我習(xí)慣把代碼拆成幾個(gè)獨(dú)立模塊每個(gè)模塊只干一件事然后通過 README 把整條流水線串起來。car_price_prediction/ ├── data/ │ ├── train.csv │ └── test.csv ├── src/ │ ├── preprocess.py │ ├── features.py │ ├── train.py │ └── predict.py ├── notebooks/ │ └── EDA.ipynb ├── README.md └── requirements.txtpreprocess.py 負(fù)責(zé)加載數(shù)據(jù)、缺失值填充、異常值過濾features.py 負(fù)責(zé)構(gòu)造車齡、目標(biāo)編碼、組合特征并輸出特征矩陣train.py 負(fù)責(zé) K 折訓(xùn)練和保存模型每個(gè)模型存成 pkl 或 txtpredict.py 讀取模型拼接測(cè)試集特征輸出提交格式。運(yùn)行順序就是 preprocess 到 features 到 train 再到 predict每一步都從上一部的輸出讀數(shù)據(jù)避免重復(fù)執(zhí)行。README 里我會(huì)寫清楚四件事賽題任務(wù)和評(píng)估指標(biāo)、依賴庫版本說明、一條命令從頭訓(xùn)練到預(yù)測(cè)的執(zhí)行方式、以及復(fù)現(xiàn)時(shí)需要注意的坑比如目標(biāo)編碼必須用訓(xùn)練集的映射。不需要寫成論文只要讓另一個(gè)工程師照著做能在半小時(shí)內(nèi)跑出和賽題排名對(duì)應(yīng)的分?jǐn)?shù)就算合格。如果你想在這個(gè)基礎(chǔ)上做第一個(gè)改進(jìn)我建議從驗(yàn)證策略開始把隨機(jī) K 折改成按時(shí)間切分或者加入 GroupKFold 按品牌分組往往比調(diào)模型參數(shù)更有效。我在最初做這類賽題時(shí)總把時(shí)間花在調(diào)參上后來發(fā)現(xiàn)把驗(yàn)證策略做扎實(shí)比調(diào) 100 組參數(shù)都管用。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
www.色婷婷.com| 这里只有精彩视| 亚洲视频在线观看| 婷婷色av| 天天摸天天肏| 亚洲日本韩国| 激情五月综合婷婷| 久久欧洲久久| 婷婷色色网站| 天天做天天爱天天高潮| 婷丁五月| www.99riav99| AV成人在线播放| 欧美久人人| www.91.com黄| 色色综合成人网| A片试看50分钟做受视频| 色狠狠综合| 无码色综合| 99在线资源| 五月婷婷干干干| 欧美三级巜人妻互换| 日本色色色| 开心五月婷婷婷美女| 亚洲情欲| 五月丁香六月激情欧美综合| 开心五月激情| 99视频在线啪| 五月丁香六月婷| 婷婷开心久久| 立川无码av| 丁香五月开心七月| 99色色| 中文字幕av久久爽一区| 播五月,色五月,开心五月播放器| 九九精品网站| 一区二区aV电影免费看| 玖玖在线视频| www.色综合.com| 99这里有精品免费| 97日在线视频| av免费在线看不卡无毒| 婷婷五月天亚洲| 亚洲综合色丁香婷婷六月| 久久精品噜噜噜成人A∨色欲| 99色综合| 五月丁香基地| 热99国产精品| 极品九九九九九九| 成人免费120分钟啪啪| a久久| 五月丁香综合网色欲| 九九九九成人| 97福利视频| 久久久这里有精品| 9999色色色色| 欧美五月丁香啪啪响视频| 91九色 熟| 另类在线| 色婷婷激情四射视频| 婷婷成人综合免费视频| www.婷婷,com| 亚洲AV成人在线观看| 九色视频91疯狂| 天天爽天天透天天爱| aaa久久| 精品少妇人妻AV无码专区偷人 | 丁香婷婷欧美综合| 综合色播| 色五月婷婷操逼| 色婷婷狠狠久久综合五月| 成人短视频在线| 伊人天堂婷婷| 嫩草AV久久伊人妇女超级A | 四月婷婷五月丁香| 日本韩国视频在线观看社区免费的9| 色五月色五天色情网| 精品51XX| 狠狠人妻久久久久久综合丁香| 一级性感黄色内射视频| 玖玖五月丁香| 99视频在线看| 日本大人久久| 精品亚洲国产成AV人片传媒| 伊人色综合网| 天天做天天爱| 色五月在线观看| 成人五月天视频播放| 深情六月婷婷综合久久| 97人人射| 色五月综合网| 婷婷五月丁香久久| 色综合中文色综合网| 99色热综合| 亚洲精品电影| 五月综合激情| 五月天伊人综合| 天天操夜夜爽歪歪| 婷婷视频在线| 国产亚洲色婷婷久久99精品91 www.riverspirits.org www.hnnun.com www.changh | 伊人碰碰婷婷| 丁香五月天天| 综合超碰熟| 色欲色欲久久宗合网| 天天插天天干| 无码色| 九热免费视频| 超碰在线免费9| 丁香婷婷色五月天| 婷婷五月天亚洲精品| xxxx五月激情| 激情综合综合综合| 2050人人操免费工开爱| xxxx五月激情| 九九热视频网站| 五月天色色网站| 丁香六月| 五月丁香亭亭操逼| 9|无码久久久久久| 精品久久99码| 亚洲激情亚洲激情| 色婷婷婷av| 久久一级片| 婷婷丁香五月天操逼| 久久综合66| 很很干夜夜干| 亚洲日日日| 99色最新在线视频网站| 五月草影视| xxx日本东京热| 熟女乱论网| 日韩色色小视频| 九九热视频精品2| 日本99久久| 亚洲AV中文在线| 丁香五月激情啪| 久久总和99| 97干视频在线| 久久婷婷色| 激情综合啪啪| 九九热免费观看视频| site:wpjngj.com| 思思热思在线精品视频| 婷婷在线午夜| 色色色免费视频| 五月宗合激情网| 五月天 另类图片| www,色色色网站| 狠狠高潮精品亚洲1| 草五月| 婷婷五月天视频免费在线观看| 六月份天丁香婷婷| 超碰成人电影| 色色色999| 久久九九99| 婷婷丁香成人| 综合狠久久| 国内精品免费一区二区2009| 五月婷婷婷综合网| 五月天日日操夜夜操 | 丁香 亚洲 久久| 成人免费在线电影| 伊人影音无码一区二区三区| 九九这里精品| 色五月欧美| 五月天婷婷免费| 久大香蕉| 亚洲中文字幕网| 国产肥白大熟妇BBBB视频| 淫五月停停| 激情精品久久| 色热久| 日本色99| 五月综合777| 天天射影视综合网| 婷婷性福五月天| 综合色色婷婷| 色婷婷呢狠禁久禁| 大香蕉久久久久久久久| 婷婷色五月丁香六月欧美啪| 五月丁香啪啪啪啪| 欧美性爱五月天| 99九色视频在线观看| 开心五月深爱五月| www.wuyuetian啪啪| 久久色午夜在线导航| 2015超碰| 欧美综合婷婷欧美综| 久久久五月婷婷| 丁香五月天堂| 九九色色| 欧美日韩五月婷婷| 五月六月丁香婷婷在线观看| 激情五月婷婷综合| 五月天婷婷色| 五月天社区婷婷丁香社区| 九九人人操| 日韩AAA| 五月天成人网在线观看| 99热综合网| 99久久综合狠狠综合久久| 六月婷婷色色色| 婷婷五月天成人娱乐| 天天摸天天高潮天天爽| 婷婷五月色播| 免费看欧美成人A片无码| 狠狠色狠狠色综合日日91| 五月丁香色综合| 婷婷五月蜜桃成人桃色丁香| 五月色丁香| 五月天婷婷基地| 3DAV亚洲香蕉久久 一区二区| 亚洲精品国产setv| 99re视频精品| 色情·com| 精品五月天| 激情六月综合| 五月丁香六月婷婷综合| 天天粽合合合合| 九九热精品视频在线观看| 欧美99| 亚洲AV无码影院| 综合逼五月激情婷婷| 综合久久99| 激情久久久| 成人短视频免费观看| 丁香五月婷婷六月婷婷| 色偷偷综合| 狠狠狠狠狠| 蜜桃婷婷狠狠久久综合| 天天插天天很| 亚洲美女高潮久久久久久69| 在线不卡的视频| 天天舔天天插天天爱| 99免费在线| 日日操天天操| 日本啪啪天堂| 五月婷婷成人| 激情九月婷婷九月| 色五月开心婷婷| 十月丁香九月婷婷综合| 国产成人精品123区免费视频| 色私五月婷婷| 亚艹艹| 香蕉综合网| 亚洲操B视频| 丁香六月视频| 久久丁香五月天| 色色丁香婷婷五月天| 天天色情站| 女人天堂久久| 秋霞av不能| 袁子仪视频观看| 亚洲色图五月丁香| 九月婷婷人人操人人舔人人爱| 久久这里只有国产| 婷婷综合色色| 五月天丁香婷| 激情六月婷婷| 成人 AV播放| 人人爱天天摸摸天天爱| 另类激情综合| 婷婷综合五月| 99热这里| 91精品人妻少妇无码影院| 夜夜爽日日躁| 禁欲电影完整版在线播放| 大香蕉婷婷久久| 久色五月| www.seqingwuyuetian| 亚洲va日| 色五月激情综合网| 亚洲小视频免费看| 五月天婷婷影院| 久久婷婷色综合老司机| 丁香六月亭亭久久综合| 一本色道久久综合狠狠躁一二三| 69婷婷丁香午夜| 五月丁香六月婷| av在线激情| 丁香五月天激情视频| 丁香五月-激情综合| 日本婷婷综合精品| 国产毛片欧美毛片久久久| 伊人婷婷青青cao| 99热国内精品| 伊人久久大香线蕉av最新| 婷婷六月亚洲综合| 九伊人网| 色婷五月天| 天堂网亚洲色图| 丁香五月天激情综合网| AAA级久久久精品| 99五月丁香丁| 91久久久久久| 激情五月深爱五月| 五月天婷婷基地| site:xiongshengzz.com| 天天做夜夜爽| 婷婷五月天受日本法律保护| 丁香色五月 97干| 伊人影音无码一区二区三区 | 五月激情综| avh片在线观看| 操操操操操电影网| 天天cha成人综合网| 久久99热这里| 色婷婷五月天小说网| 啪啪六月婷婷| 九九热av| 超碰日韩成人| 九九99香蕉在线视频播放| 综合色色网| 伊人久久激情图区五月| 久久久久人妻中文| 人人澡玖玖一| 欧美日韩成卜| 夜夜大香蕉婷婷丁香| 青青.com| 色色综合色| 激情啪啪五月| 国产午夜精品一区二区三区嫩草| 成人AV综合在线| 色五月综合在线| 五月婷婷久久综合| 精品色色| 五月丁香| 97人妻碰碰碰久久久久-最近国语高清| 日韩成人AV在线播放| 男人大jjc女人免费视频| 岛国操B不卡在线| www.色婷婷| 国产精品蜜臀99| 五月天色不卡| 中字幕视频在线永久在线观看免费| 五月丁香亭亭A片| 91碰| 日日夜夜天天爽| 第四色五月婷婷| 91九色网| 啪啪操操| 伊人在线婷婷草| 天天操天天操天天操天天操天天操 | 亚洲一级色电影| 丁香五月aV| 99无码精品| 久久久久久欧美精品se一二三四| 色婷婷AⅤ| 天堂在线伊久| 九九色色| 五月激情婷婷丁香天堂| 深爱五月婷婷| 五月丁香久人妻中文| 五月丁香婷婷久久| 亚洲愉拍99热成人精品| 国产探花一片区| 综合五月草| 天天狠狠六月婷丁香影院| 色婷婷成人| 色色五月综合| 婷婷基地五月色| 久久久香| 精品无码片| 色婷婷色五月另类综合| 免费啪啪亚州视频| 五月丁香六月综合基地| av五月天婷婷丁香| 久久er99热精品一区二区| 99热欧美偷拍| 99愛国产| 国产精品18久久久| 丁香五月天导航| 日婷婷久久开心| 97色婷婷| 五月香婷婷| 日韩五月丁香| 丁香性爱在线视频| 婷婷丁香六月综合激情站| 日本成人噜噜噜| 99精品国产在热久久| 九洲一级A片| 丁香五月六月激情久久| 色色欧美。| 亚洲AV免费在线| 婷婷情爱五月天6| 办公室少妇激情呻吟A片在线观看 白人荫道BBWBBB大荫道 | 五月天精品| 婷婷的五月天另类视频| 99极品视频| 亚洲精品国产成人AV在线| 婷婷五月超碰| 婷婷六月伊人| 欧美色一级色| 五月婷高清视频| 色色色999| 色婷亚洲五月丁香| 亚洲综合激情五月| 91九色偷拍| 久久亚洲无码| 九九婷婷网五月天| 超碰免费人人| 婷婷中合| 综合五月亭亭9| 久久98| 激情综合网,婷婷| 第四色网婷婷| 五月天久久色| 九九激情网| 五月天 另类图片| 开心婷婷五月天综合| 亚洲成人精品三区| 久草热8精品视频在线观看| 亚洲色五月天| 丁香综合网| 婷婷五月大| 久久日韩婷婷五月| 大香蕉综合视频在线| 99热99干| 久久六月综合| 久久五月婷天天干| site:minyis.com| 激情五月天啪啪| 九月丁香久久网| www.婷婷五月| 久草性爱| 天天色天天日| 情婷婷五月天| 婷婷丁香人妻| 亚洲综合激情五月久久| 91精品久久久久久久久| 五月天激情日色在线| 99这里有精品视频| 久久多色| 五月激情天| 丁香五月五婷| 热99久久这里只有精品| 五月丁香久久综合| 91操碰| 第四色网婷婷| 99热99思午夜精品| 色在线免费观看| 色婷婷成人做爰A片免费看网站 | 免费国产视频| 激情久久网 | 国产在线激情视频| 亚州美女| 色综合久| 亚洲色网址| 96精品久久久久久久久| 96丁香六月婷婷蜜桃综合久久| 五月婷婷欲色| 天天拍久久| 狠狠做六月爱婷婷综合aⅴ| 天堂中文国产| 久久久婷婷五月亚洲97号色| 久操人| 依人大香蕉在钱1| www.婷婷| 久久综合99| 婷香五月| 亚洲综合婷婷| 五月色丁香| 思思热在线| 九九婷婷五月天| 色色丁香激情五月| 亚洲第一色区| 丁香五月天的网址。| 天天操,天天插| 日韩狠狠色婷婷| 精品视频这里只有精品| 性色欲情 网站| 超碰精品在线| 色婷婷视频| 日韩影院三级| 91久久婷婷| 无码人妻激情| 99精品热| 五月天激情小说婷婷| 婷婷综合在线| 综合五月草| 激情文学 综合 色| 99热这里只有精品亚洲| 涩涩涩婷婷| 另类小说五月天综合| 久久婷婷网址| 久久99久久99www| 五月 婷 久| 丁香婷婷激情四射五月| 色九九一二| 影音先锋AV资源男人站| 超碰五月婷婷五月天| 九九久久腿| 久久五月天丁香| aV欲望人妻中文字幕| 九伊人网| 五月丁香无码| 91欧美| 就要爱综合| 丁香五月综合色婷婷| WWW.五月天9999| 色情五月天se| 99热在线观看免费| 色五月人妻| 影音先锋91资源站| 人人爱操| 裸睡玩奶头(高H)| 狠狠精品干练久久久无码中文字幕| 亚洲精品无AMM毛片| 色青青电影色五月| 婷婷五月激情综合啪啪| 婷婷人人操| 色婷婷av在线观看| 五月丁香六月婷婷亚洲激情综合| 婷婷激情蜜桃玖玖丁香| 丁香六月婷婷姐网| 婷婷五月,偷窥偷拍网| 婷婷久久五月丁香| 综合婷婷| 91在线精品一区二区| 99啪在线视频| 丁香花色色网| 情情五月天色| 丁香成人视频| 婷婷丁香花五月天| 99热在线播放| 七七久久婷婷| 91久久久久久久久| 五月在在观看| 国产婷婷五月色情综合| 中文字幕av久久爽一区| 免费做A爰片77777| 亚洲人人艹| 婷婷久久久久| 五月丁香直播| av人人干| 亚洲午夜av| 久久综合26p| 成人在线日韩欧美| 五月丁香婷成人网| 六月丁AV| 噜噜五月天综合| 第四色在线观看| bukadeavzaixian| 五月婷婷激情网| 婷婷五月综合激情小说| 色五月激情综合| 97婷婷色| 91干网| 国产日比| 婷婷五月伦理网站| 久久婷婷伊人| 伊人久久丁香五月91| 五月久久网| 久久久久久草黄色片AV在线观看| 俺也去在线视频| 在线婷婷| www.91五月| a九九热www| 五月丁香六月激情综合啪啪| 另类小说色婷婷| 久久xx| 久久日曰| 国产色婷婷亚洲| 99视频在线| 亚洲人妻av| 久久精彩视频99| 99热久| 丁香五月五月婷婷五月天激情四射| 91无码视频| 九九热青草| 99re在线视频| 五月婷婷花| 婷婷99视频精品| 狠狠色噜噜狠| 五月天激情国产综合婷婷婷就去爱| 99成人免费视频| 99热日本| 亚洲久艹| 五月天色婷婷视频| 色五月婷婷五月天| 丁香狠狠干| 激情综合区| 久狠日av| 色色色综合网| 婷婷午夜激情| 久久九九视频| 国产古装妇女野外A片| 在线网黄| AAAA网站| 先锋影音av色五月天资源站| Av大香蕉| 欧美色色色色色| 538在线精品| 五月婷婷久久大香蕉| 五月色俺婷婷| 色优久久| 大香蕉啪啪| 天天日天天干天天天| 开心五月婷婷| 色播六月| 免费精品99| 久草丁香婷婷1024| 91日韩在线| 五月婷婷丁香| 六月色 亚洲| 婷婷六月色丁香视频在线观看| 婷婷欧美综合| 99热精品网| 天天干天天玩天天夜天天射天天操天天日蜜臀少妇 | 九一牛视频探花| 99热99热在线观看| 丁香五月婷婷影院| 色婷婷激情| 亚洲va在线∨a天堂va欧美va| 日韩成人无码| 激情啪啪五月天| 婷婷狠狠18禁久久| OUMEIRIHANCHENGREN| 天天综合色综合| 激情六月婷婷| 综合网色| 久久性操| 婷婷趴趴| 操骚货在线| 色亭亭丁香五月天| 丁香五月综合在线播放| 国产精品VIDEOSSEX久久发布| 国产91视频| 激情亭亭五月| ady狠狠入| 婷婷五月天成人基地| 国产欧美精品AAAAAA片| WWW、日本色丁香co m| 99热这里全是精品| www.五月婷婷| 超碰在线视屏| 六月婷婷色色色| 噜噜国产| 99色.com| 26uuu成人网| 停停六月 综合| 九九精品在线观看视频6| 丁香六月在线综合| 欧美婷| 午夜无码熟熟妇丰满人妻| 五月天无码视屏播放| 亚洲操逼网| 中文字幕在线日亚洲9| 欧美综合五月丁香六月婷| 人人插9| 新激情五月天天在线网| 五月天丁香婷婷社区| 久久久这里有精品| 午夜日韩久久久网站| 99热这里只要精品免费| 超级碰 久久9| 激情五月婷婷六月丁香| 三级99热| 五月婷婷,狠狠操| 成人中文字幕在线| 久久多色| 乱码操操| 九九视频在线观看| 日韩九九视频| 丁香五月天堂网| 亚洲天天免费| 《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 | 97碰啪啪| 欧洲99视频在线| 日韩成人网址| 五月婷婷成人w| 色综合久| 我爱va亚洲va52| 成人丁香婷婷| 五月丁香六月婷婷综合网站| 涩涩婷婷五月| 伊人婷婷综合| 精品五月视频婷婷在线观看| 天天干,天天日| 五月丁香啪啪啪啪| 欲色人妻| 99热综合网| 久久色五月| 丁香五月色情| 天天日人人| 五月天婷婷综合色| 色五月天在线观看| 婷婷色啪| 无码色| 天天干,噜噜色,狠狠色| 五月婷无码| 99精彩视频| 丁香六月婷婷开心| 伊人综合网站| 久久久精品人妻录| 九九色区| 五月天成人综合| 五月丁香婷色| 久久香视频| 五月天婷婷免费| 激情五月天黄色小说| 99在线精品免费视频| 九九精品在线网| 综合 蜜月 婷婷| 97香蕉久久超级碰碰高清版| 婷婷五月天改成什么了| 婷五月天影院| 国产免费一区二区三州老师F1F1| 激情丁香五月婷| 天天干在线播放| 色五月欧美| 五月6香色婷婷视频| 专区无日本视频高清8| 开心五月婷婷婷美女| 久99久在线| 熟妇人妻中文字幕无码老熟妇| 丁香五月欧美激情| 日韩综合天堂| 99视频| 九九精品免费| 激情五月天激情网| 色色色宗合网| www.91色| 一级A片天天操夜夜操| 国产性爱一级| 大香蕉五月天| 五月丁香六月婷婷在线观看| 色婷婷小说| 久久婷婷五月综合色区| 91丨九色丨高潮丰满日本| 日本精品。999| 91丨人妻丨国产丨丝袜| 日韩aaaaa| 婷婷五月天美女视频| 婷婷情色五月天| 免费视频WWW在线观看网站| 久久99网| 婷婷五月天激情综合婷婷五月天激情综合| 综合久久首页| 色色色欧美| 色播五月婷婷| 九九精品片一| 综合网狠狠| 久久婷五月天| 亚洲人人操| 五月色无码| 色婷婷先锋| 少妇伦子伦精品无吗| 天堂综合久久| 五月天成人手机在线视频| 狠狠第四色| 婷婷色五月大香蕉在线| 九九热超碰| 六月丁AV| 另类图片激情五月天| 色久99| 成人做爰高潮A片免费视频| 九九99热久久精品66中文字幕| 五月深爱婷婷| 激情AV| 久久人妻精品| 99成人免费视频| 丁香色情五月天| 99在线视频资源| 欧美日韩一区二区三区四区| www.天天干| 婷婷天堂综合| 亚洲色小说在线综合| 久久九九网| 欧美婷婷综合| 全部老头和老太XXXXX| www.99热视频| 久久久久久人妻久久久久久久久久人妻久久久| 久久丝丝热| 久久全色| 国产欧美日韩综合精品一区二区| 99九九在线精品热动漫| 79色色色色| 婷婷5月天激情综合| 天天色丁香| 久久九九亚洲| 婷婷综合性爱网| 五月天婷婷小说| 日韩欧美成人片| 蜜桃五月天| 五月丁香直播| 欧洲亚洲免费视频9| 人人97操| 亚洲亚洲人成综合网络| 激情五月天综合| 婷婷色在线播放| 99re视频精品| 四色女婷婷| 99久久黄色顶级视频| 超碰91av| 日韩精品成人在线| www.久久色.com| 天久综合91综合首页| av在线资源| 婷婷五月天综合网| 99色 | 午夜不卡久久精品无码免费| 丁香五月激情综合| 九九色逼| 亚洲在线操| 九九无码| 久色资源| 五月婷婷在线综合| 色婷亚洲| 久久香蕉婷婷五月天| 色色色色色热| 成人短视频在线| 9月色婷婷| 亚洲超级碰| CAOBIBI| ww超碰在线| 五月婷婷 激情按摩| 亚洲乱码日产精品BD| 亚洲色久| 大香蕉综合网| 操99| 开心激情五月天网| 婷婷五月无码| 色九月婷婷| 丁香五月久久| 亚洲综合婷婷| 九九热99热| 久久人人妻| 色婷婷综合网| 久久久五月天| 亚洲乱码日产精品BD| 97碰碰碰免费公开在线视频| 中文字幕在线免费看线人| 久久久亚洲精品一区二区三区浴池| 国产午夜精品AV一区二区麻豆| 99热在线观看| 狠狠婷婷色| 97碰精品| 最新久久99视频网站| 久久99精品久久久| 99热这里有精品首页10| 色色免费网站| 激情五月天色| 婷婷丁香六月影视| 大伊久久| 日本色色色| 亚洲激情综合| 国产免费AV网站| 色五月天电影| 久久99国产综合精品免费| 色色三级视频| 99热99日天天干| 亚洲AV无码成人精品区电影网| 久久最新色| 婷婷91| 免费的日逼视频| 色综合久久88色综合中文字幕| 69色色视频| 婷婷五月天久久| 91久久综合亚洲鲁鲁五月天| 操骚货在线| A片试看50分钟做受视频| 黄色激情网站在线观看| 十区AV| 亚洲欧美婷婷五月色综合| 丁香综合伊人| 激情网五月婷婷| 天天日天天舔| 激情综合网五月天| 色欧美一级| 免费在线a| 久久婷婷啪啪视频| 五月天婷婷色紫薇阁| 五月婷婷激情四月| 婷婷激情人妻| 五月天丁香| 大香蕉AV电影在线| 激情五月天的婷婷| 日日日日做夜夜夜夜无码| 丁香丝袜五月| 碰97久久| 99只有精品| 97操碰免费视频| www.91.com黄| 五月婷无码| 色五月天在线观看| 91操人| 五月婷婷香蕉| 久久伦乱| 激情综合五月色在线| 97色色在线视频| 亚洲精品电影| 不卡在线超碰| 玖玖激情五月天| 欧美成人热| 久机视频这只有精品| 国产亚洲在线观看| 婷婷五月色综合香五月| 啪啪99| 激情五月亚洲综合网| 思思热精品在线| 五月丁香六月综合激情| www.色欲丁香婷婷| 日韩欧美一级大黄网站| 婷婷激情五月综合丁| 超碰在线9| 欧美大片免费观看| 另类在线观看视频| WwW天天干| 99热资源在线| 亚洲亚洲人成综合网络| 色欧美影院| 五月激情偷拍婷婷| 97五月久久丁香婷婷| 欧美顶级少妇做爰HD| 99五月婷| 精品综合久久久久久五月天| 久9视频免费播放| 国产乱子轮XXX农村| 99热精品观看| Va另类视频| 日韩另类| 丝雨一区二区| 99热免费网站| 久热这里| 成人午夜天| 色热久| 天天视频亚洲| 亚洲色色色| 玖玖五月丁香| 丁香激情六月天婷婷| 欧美在线操| 人人操人人妻| 深爱五月婷婷开心中文字幕| 殴美综合激情五月天免费视频| 人妻内射一区二区在线视频| 99久在线观看| 丁香六月亭亭久久综合| 久久婷综合| 国产精品色婷婷久久久精品| 精品一区二区三区木瓜| 激情五月天综合| 六月色婷婷综合影视| 五月丁香天天| 日韩九区| 婷婷色基地在线看| 久久奄也去色色网站| 伊人久久99| 婷婷五月激情综合啪啪| 夜夜天天天天天干天天爽| 大香蕉五月天| 丁香六月激情毛片| 青青草日本亚洲| 桃色五月天| 五月丁香激情综合啪啪| 丁香五月六月婷婷综合激情| 色色五月天激情| 婷婷射图| 思思热视频在线观看| 超喷97免费在线视频| 色婷婷XXXXX| 亚洲色图五月丁香| 色玖玖网| 国产精品色一哟哟| 久久ww| 精品激情| 激情中文在线| 热婷婷在线视频| 俺去也在线官网| 五月丁香婷婷色| 99操逼| 99ri精品在线| 久久婷婷五月综合一| 亚洲色色色色| 一本大道嫩草AV无码专区| 亚洲色久| 婷婷激情九月| 另类视屏| 99热网站| 丁香婷婷五月激情四射网| 能看的av片| 99精品视频在线观看| 全亚洲最大的婷婷五月天网站COM 丁香五月婷婷狠狠色 | 丁香五月老师| 久久伊人大香蕉| 色99在线| 新97人人上人人| 色私五月婷婷| 国产精品美女| 91丨九色丨国产在线| 26uuu亚洲精品国产| 91精品国产综合久久久不卡电影| 天天爽夜夜爽夜夜爽精| jiZZdr| 精品久久99码| 日韩黄黄| 国产熟女一区二区三区五月婷| 精品爆操| 婷婷趴趴| 亚洲欧美婷婷五月色综合| 六月丁香啪| 丁香婷婷色五月| 五月婷婷久久爱| 婷婷五月天激情综合网| www,婷婷,com| 丁香五月在线视频黑人| 人妻丰满精品一区二区A片| 成人婷婷桔色| 99国产精品久久久久久久久久久 | 青草激情综合| 1024日韩| 久久久久er热| 99久热在线精品| 丁香五月电影| 欧美情月伍月天| 亚洲成人网站在线观看| 色婷婷导航| 狠狠爱综合网| 99色视频| 婷婷丁香六月天| 夜夜爽天天| 人妻少妇色综合| 五月丁香婷婷久久| 无码人妻丰满熟妇奶水区码| 狠狠干激情五月| 综合久久狠狠| 夜夜爽天操| 色五月婷婷91在线| 99热这里只有精品中文字幕| 五月丁香婷婷婷激情爱爱| 高清无码网址| 色六月婷婷| 欧美激情综合| 五月丁了香蕉综合| 亚洲国产精品二二三三区| 五月丁香婷婷激情久久| seuuu婷婷| 欧美美美女性色视频| 五月丁香视频色色| 精品女人九九九| 久9热| 久久丁香五月婷婷| 婷婷五月天综合蜜桃| 丁香五月婷婷啪啪视频| 日本社区五月天激情| 91嫩草久久| 天天肏夜夜肏| 久久久久久天天日天天爱| 全部老头和老太XXXXX| 99久久婷婷五月天| 九九精品婷| 日韩 中文 欧美| 婷婷丁五月| 成人免费120分钟啪啪| 久8色色| 日本黄色精品| 无码激情| 天天上天天爽| 欧美日韩成人综合9| 日韩视频99| 91婷色| 日本九九九九| 丁香六月天婷婷开心综合| 免费在线a| 色射影院| 五月色婷婷影视在线电影| 68热超碰在线| 天天日夜夜| 五月开心婷婷网| 国产精品涩涩涩视频网站 | 午夜伊人大香蕉| 99热综合网| 99热这里是精品| 免费观看全黄做爰的视频| 五月开心深爱激情网| 五月婷婷久久大香蕉| 丁香五月激情综合| 色色色色色爱| 色婷久九| 五月丁香六月激情| 九九视频这里有精品| BT综合在线视频观看| 天天爱天天操| 很很干夜夜干| 操一区| 激情性爱五月天网页| 国产精品美女| 深爱五月综合网| 97伦色婷婷| 久久久com| 天天综合亚洲综合| 欧美性猛交99久久久99| 激情五月综合| 激情六月综合| 久久xx| 亚洲黄色操逼| 99熟女视频| 呦呦v线| 中文AV在线观看| www.夜夜| 婷婷五月激情图片| 伍月婷丁香婷| 99啪啪骑| 91一起操| 亚洲热热视频| 欧美又粗又大一区二区在线观看| 波多野结衣成人作品在线| 大香蕉手机视频| 色性五月天| 人人操91| 99碰碰。| 九九视频这里只有精品| 日韩操逼小电影| 成人短视频在线观看| 亚洲AV成人在线观看| 91精品久久久久| 激情综合五月色丁香婷婷| 伊人激情啪啪| 99热午夜精品| 日日爽日日| 五月情色天| 亚洲中文丁香| 天天色综| 伊人在线视频| 五月丁香亭亭操逼| 婷婷五月天亚洲综合网| 91日本在线| 9久热在线视频| 九九热免费视频| 99视频只有精品| 丁香五月激情婷婷激情| 天堂中文国产| 人碰人人人玩91| 激情图片五月天| 天天影视天天爽天天草| 狠狠狠激情网| 亚洲综合久| 亚洲图色五月天| 欧美精品XXXXBBBB| 亚洲成人高清在线| 天天谢天天操| 99热香港| 伊人婷婷大香蕉| www.99操| 国产午夜精品AV一区二区麻豆| 久久久久网站| 成人性爱无码| 婷婷六月色丁香视频在线观看| 92国产福利| 国产97在线日韩亚洲女人被黑人巨大| 高清无码视频网址| 天天爽天天干| 亭亭五月激情亚洲在线| 久久久妻人人人| 97操碰碰无码视频| 亚洲色区17| 国产精品日本一区二区在线播放| 日本99久久| 丁香五月天激情综合| 丁香婷婷伊人| 思思热在线视频观看精品| 色九月婷婷综合| 久人人操| 激情五月四色| 国外亚洲成AV人片在线观看| 九九热黄色| 五月丁香六月婷婷激情网| ss视频xx91| 丁香五月第九色| 99久久99久久综合| 久久视频婷婷| 日日操无码| 超碰成人黄色网| 色色色热| AV性爱在线| 九九热中文| 五月天激情综合| 九九99一区| 日日操日日射| 日本色婷婷五月天成人电影| 欧美一级色| 99视频35精品视频在线观看| 免费成片在线观看| 操逼亚洲天堂| 亚洲精品无码99热| 九月色婷婷| 天天干天干| 五月婷婷五月天| 天堂综合久久| 色五月播五月| 亚洲欧美一区二区三区四区爱爱动图| 色综合久久88色综合中文字幕| 亚洲色色在线| 开心五月婷婷五月| 亚洲黄色影视| AV在线免费播放| 久久综合中文字幕| 九九99在线视频| 青青草五月天| 久久亭亭电影| 5Www色5夜| 亚州欧美黄色电影| 天天草女人| 欧美特大片黄| 日本一级淫| 99在线精品免费视频| 欧美性生交XXXXX无码小说| 久久综合五月天| 婷婷激情四射| 激情五月天丁香| 99久视频| 色色五月天激情| 婷婷五月天影院| 狠狠爱综合| 99热精品在线播放| 国产超碰在线| 久综合色| 五月天综合色| 五月色亭丁香| 国产亚洲成人综合| xxxx五月天色色| 色五月综合97| 在线看黄色| 182TV大香蕉| 大香蕉婷婷久久| 久久免费9| 综合色久| 欧洲99视频在线| 丁香婷婷五月激情综合| 99视频地址| 亚洲欧洲自拍图片专区五月天| 青娱乐美女福利视频美臀| 天天狠狠色噜噜| 五月婷婷乱| 激情五月天激情综合网| 色婷婷狠狠18| 天天做天天爱| 国产三级片91| 丁香大香蕉| 思思热这里只有精品| 99热官网| 久九男女天堂| 五月婷护士| 色色五月激情| 强伦轩人妻一区二区电影| 五月婷婷影院| 婷婷四月 成人 狠狠干| 成人色五月天| 久色国产| 色五月天成人| 久超超碰| 五月丁香综合在线| 国产亚洲精品AAAAAAA片| 色色欧美色色色| 在线日韩av| 久婷久婷| 九九热a| 欧美综合激情五月丁香| 五月婷婷激情中心| 综合久久五月天| 狠狠爱婷婷爱| 亚洲激情另类| 天天揷综合网| 1234操逼网| 大香蕉综合在线| 噜色精品|