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
五月婷婷色影院| 亚洲深喉AV| 99超级超级超级碰| 婷久看人爽| 夜夜操天天干| 婷婷五月激情小说| 伊人AV五月婷| 日韩成人中文| 丁香五月婷婷动漫| 中文字幕黄色片| 激情婷婷五月综合| 激情6月| www、丁香五月天| 激情综合五月激情17| 婷婷五月激情丁香| 婷婷九月在线| 五月丁香综合影院| 丁香五月欧美色综合| 天天干天天操天天爱| 久久精品一区二区三区四区| 伊九九三级区| 九九aV| www.射伊蕉婷婷| 五月亭亭网成人在线视频| 性爱五月婷婷| 九九99香蕉在线视频播放| 六月婷婷色色色| 六月婷婷综合激情| www.超碰在线| 青青草激情网| 丁香五月婷婷88在线| 嫩草AV久久伊人妇女超级A| 五月色婷婷亚洲| h在线看免费版在线看| 狠狠色噜噜狠狠色噜噜噜999| 婷婷情色五月天| 思思99热这里只有精品| 丁香五月天社区| 六月婷五月丁香| 99国产精品白浆在线观看免费| 99热这里只有精品69| 婷婷香草网| 五月天婷a| 亚洲色夜| 九九久久99| 色五月婷色彩免播放器| 婷婷91视频| www.婷婷五月天| 免费97碰碰| 五月香婷婷| 亚洲色综合| 亚洲无AV在线中文字幕| 婷婷五月综合啪| 色婷婷免费观看| 九月婷婷综合| 丁香五月婷婷激情123| 综合天堂AV久久久久久久| 互月天综合| 久久婷婷五月丁香网| 激情五月婷婷综合| 日韩久久日| 国产精品美女久久久久AV超清| 婷婷基地成人五月天| 婷婷五月天堂| 五月丁香婷婷啪啪| 日本欧美999久久久三级片| 怡红院视频| 深爱五月婷| 五月色婷婷在线观看| 五月丁香久久婷| 婷婷丁香五月亚洲| 激情五月天婷婷| 六月丁香婷婷网| 97欧美在线| 中文字幕高清av| 成人午夜无码视频| 亚洲综合色色色| 99狠狠| WWW.天天日| 玖玖@三月天天丁香婷婷| 日日干天天| 婷婷激情图片| WWW,婷婷,COM| 婷婷五月天美女视频| 成年AAAA色情| 99热这只有| 婷婷色在线播放| 小视频aaa久久久| 久久9热综合| 国外亚洲成AV人片在线观看| 九九色影视| 五月天激情丁香| 日日爽日日| 天天日夜夜操五月| 97丁香五月| 99这里只有精品在线| 六月婷婷综合| 无码地址| 先锋资源996| 丁香五月香蕉在线| 亚洲综人色综网| 4438成人电影| 久九色| 国产在线黄色| 激情五月天婷婷激情| 丁香色色网| 久久草婷婷丁香网站| 日本天天操| 婷婷综合五月天| 97碰碰视频| 久久综合性| 色五月丁香婷婷| 狠狠干狠狠色| 91人妻九色大屁股| 操逼巨乳91| 精品99在线| 99在线热| 少妇婷婷五月天| 亚洲Va成人| 五月天激情综合网俺也去| 婷婷五月天天天日日夜夜| 天天草天天日| 五月天婷婷成人| 亚洲这里只有精品| 久久五月丁香| www.激情| 丁香五月欧美婷婷| 五月天另类图片区99| 久七香蕉| 五月情丁香色| 日韩AV大全| 久久精品视频99| 色色婷| 五月婷婷综合天天操| 九 九九九AV| 色狠狠综合| 五月婷婷久久综合| 67194中文字幕| 久久久ww| 亚洲区在线| 91疯狂操操操操| 欧美久草在线日本一级特黄大片做受9在线观看韩国电影《两个女人》未删减-毛片 | 国产精品久久久久久喷浆| 热久久婷婷| 99热天堂| 五月色婷婷激情| 99色在线| 超碰色碰碰| 色噜噜97视频在线观看| 五月丁香六月婷婷网站| 99热91| 久婷自拍视频| 成人小说 五月天 婷婷| 99热这里只有精品1025| 色婷婷另类| 很很操96| 五月婷婷五月天在线| 99爱在线免费视频| 五月婷久草| 五月天天丁香婷婷在线中| 天天干,夜夜爽| AⅤ网站在线看| 天堂色婷婷| 丁香五月天视频在线播放| 超碰碰碰碰| 亚洲在线视频321| 五月天开心婷婷久久| 亚洲综合久| 91国产精品视频播放| 婷婷偷拍网| 国产精品久久久海的味道| 中文字幕有多少字| 日韩五月婷婷| 色婷婷操逼| 超碰高清在线| 五月 婷婷 成人| 国产精品色情AAAAA片软件| 最新日韩AV中文字幕| 日日噜噜久久婷婷五月天 | www色色com| 五月天精品视频| 色www.con| 激情婷婷综合五月少妇| 人妻有码乱操| 激情五月少妇| 97碰碰人人视频| 狠狠插日日干撸| 丁香激情综合| 美女美女美女三级色天天天天天| 成人综合视频网址| 婷婷五月天在婷| 99精品偷自拍| 国产精品色一哟哟| 91干99| 伊人丁香婷婷东京| 婷婷酒色网| 播五月丁香六月| 婷婷丁香18| 5月婷婷六月丁香| 日韩操人| 伊人久久婷婷五月天激情四射| 大地9中文在线观看免费高清| 丁香香蕉婷婷| 丁香五月最新地址| 色噜噜狠狠色综合伊人| 大香伊人久色| www.99热在线| 内射综合网| 亚洲精品视频在线播放| 色哟呦av| 丁香五月开心五月激情| 色婷婷AⅤ| 色色色五月婷| 五月丁香91| 极品少妇高潮啪啪AV无码| 五月五丁香婷婷| 91久久国产综合久久| 婷婷五月亚洲综合| 婷婷播播五月天| 婷婷成人在线| 婷婷激情六月| 日逼免费视频| 丁香婷婷超碰 | 久久伊人大香蕉| www.99热最新视频8| 国产麻豆视频| 99综合网| 很很操很很操| 日韩精品999| 五月丁香亭亭| 91wwmm导航| 北京熟妇搡BBBB搡BBBB| 天天操天天操天天操| 大香蕉在线观看9| 日本精品99网站| 久久视频这里都是精品| 日韩成人中文| 另类激情五月| 五月婷婷激情综合视频| 狠狠色婷婷7777久| 99色免费| 狠狠精品干练久久久无码中文字幕| 日婷婷| 天天网站天天爽| 天堂色色色| 开心五月婷婷| 天天舔天天爽| 99激情在线| 开心五月天激情网站| 久婷婷久草| 激情五月综合网最新| 91 九色大美女| 五月天激情婷婷| 另类激情中文| 久久综合天天综合| 五月丁香日本片| 欧美超级视频97| 超pen个人视频97| 婷婷五月天成人| 婷婷五月天性| 激情五月丁香色婷婷| www.99免费视频| 久久精品国产精品| 人人艹艹艹| 丁香激情网| 色情综合| 五月丁香色综合| 久久久大香蕉| 五月天.com| 97碰碰人人| av免费在线看不卡无毒| 1000部毛片A片免费观看| 午夜成人综合| 大香蕉伊人99| 人妻视频在线| 久热99热| 综合色图区| 一区二区免费看| 五月天丁香久久| 日韩啊啊啊| 丁香五月天啪啪激情综和网| 都市激情五月婷婷综合| 五月色婷婷影视在线电影| 色噜噜,噜噜色| 婷婷九月激情| 思思热精品免费视频| 丁香五月综合婷婷| 全亚洲最大的婷婷五月天网站COM| 99热99久久| 婷婷五月婷婷| 五月丁香婷婷色| 五月叮香啪| 五月天婷婷激情| www.色五月| 操人无码| 久久婷婷成人综合色怡春院| 激情六月天| 久久人妻少妇嫩草AV| 人操91在线| 婷婷五月天你懂的| 婷婷五月大| 色五月综合网| 激情5月天天天| 激情小说五月天| 日韩性视频| 久久丁香| 色色色五月| 99久在线视频| A久网| www.henhengan| 狠狠色五月天| 九热精品| 日本欧美成人片AAAA| 三级片AAA久久久AAA久久久AAA | 九九色精品| 色五月激情五月| 丁香五月婷婷Av| 天天日人人| 天天搞天天色综合| 久久婷婷青青| 日本片日本片祼观看网站在线看中文版网页在线看 | 毛片九九九九九九| 亚洲操B视频| 夜夜躁狠狠| 激情婷婷人妻| 99爱在线精品视频免费观看| ztEJj| 高清无码.com| 97色天堂| 亚洲免费观看高清完整版AV线| 丁香色播五月天| 99精品大片| 99综合在线| yirenjiqingshiping| 五月丁香好婷婷A片网| 五月丁香婷婷AV天堂| 婷婷爱五月天| 人与禽A片啪啪| 九九伊人网| 色五月婷婷老师| 大战熟女丰满人妻AV| 亚洲小视频免费观看| 久久久99久久| 另类激情四射| 神马欧美精| 欧美日韩一区二区三区四区| 丁香五月人妻熟女| 少妇性按摩无码中文A片| 五月天婷婷伊人| 中文不卡一二区| 色播五月| 久久婷中文字幕| 伊人久久婷婷五月天激情四射| 色婷婷导航| 天堂网亚洲色图| 丁香五月婷婷综合视频| 色狠狠狠干| 五月丁香性| 五月丁香偷拍| 性视频久久| 丁香五月婷综合网| 色色欧美色色色| 亚洲六月婷婷| 成人操呦av| 操人久久| 婷婷伊人网| 91九色在线观看免费| 五月天狠狠草| 日本在线wwww| 亚洲综合五月天婷婷丁香| 91丨九色丨国产打屁股| 97久久人人| 99在线热| 国产精品人成A片一区二区| 激情五月婷黄版| 99色色| 2020久久婷婷五月| 九九热视频精品999| 2015WWW永久免费观看播放| 激情久久月| 亚洲在线资源| www色色com| 五月激情丁香五月| 日本激情91| 激情视频综合| 亚洲狠狠婷婷综合久久久| 五月婷婷激情| 激情开心五月婷婷| 99在线精品视频| 色综合九九色综合88| 99啪啪视频| 五月噜噜| 欧美情色电影一区二区| 五月天激情中文字幕| www网站在线观看| 欧美激情综合色丁香婷婷五月天| 婷婷五月激情网| 五月天激情小说网| 99久久er| 日本激情91| AA片在线观看视频在线播放| 色色色色综合| 色五月天丁香| 色五月婷婷激情综合网| 超碰99热| 天天干天天射综合网| 91人无码久久久久久| 欧美五月丁香| 日韩人妻在线播放| 性小说五月天| 色色色色色色色五月| 久久丁香五月| 人人人人人人人人人草| 久久999久久999久久999久久| 亚洲综合激情五月久久| 99无码精品| 激情深爱综合| 一区二区乱码视频| 欧美十二区| 蜜桃成语时李时珍 免费| 色青青视频| 日韩无码性爱| 日本色色视频| 国产精品色婷婷久久久精品| 四虎婷婷五月天| 久婷婷五月激情| 天天精品视频免费观看| 丁香婷婷色五月激情综合| 伊人狠狠操| 日本女va| 开心五月婷婷婷美女| 国产性爱色| 5月丁香综合图区| 激情五月天电影| 久99视频在线观看| 色色五月婷| 九九久久精品| 激情人妻综合| 99色精品| 日韩另类在线观看| 婷婷九月综合| 综合爱久久| 久婷婷五月天影院| 一区三区视频有限公司| 嫩草视频观看| 狠狠综合色网| 九九re精品视频在线观看| 美女久久天堂| 天天操天天曰天天射| 人妻操逼视频| 无月播播激情在线观看视频| 综合激情网五月激情| 五月丁香婷婷色色| 深爱五月综合网| 五月丁香成人| 日韩av在线电影| 综合五月天完整| 亚洲天码视频www蛋播视频| 欧美综合五月丁香六月婷| 欧美综合激情五月| 99久久久国产精品免费蜜乳tv| 亚洲性受XXXX五月丁香| 五月天激情中文字幕| 色婷婷最爱五月| 日韩婷婷五月天| 欧美va国产va| 思思w99| 色色色色av色色色色| 9999热在线观看| 国产99久9在线| 五月天久久综合婷婷丁香| 伊人久久五月天综合| 色99网站| 丁香五月婷婷五月天| 五月天综合网| 一本道在线电影| 一级黄色片看看| 欧美日韩国产成人在线| 丁香婷婷黄网站| hd五月婷婷在线| 激情综合五月婷婷丁香| 丁香伊人激情| 色噜噜狠噜噜视频| 婷婷五月色色| 天堂无码人妻精品AV一区| 久久婷婷桃花五月天| www,setingting| 大伊香蕉玖玖爱| 噜噜色天天开心| 综合激情啪啪| 六月丁香六月婷婷欧美| 五月天色五月| 99超级碰免费视频| 婷婷五月丁香综合瑟瑟| 婷婷久久午夜网| 色综合色色| 五月婷婷综合激情小说| 91久久婷婷| 久久免费干| 婷婷五月成年人| 色中色综合| 99这里| 五月天婷婷基地| 久久婷婷色| 大香蕉久久婷婷| 台湾佬天天日丁香婷婷五月天| 日本五月婷婷| 五月激情天| 亚洲av另类在线观看| 丁香激情四射| 婷婷午夜综合| 在线中文亚洲| xxxx五月| 色婷婷www| 色五月激情五月| 婷婷激情五月综合| 婷婷五月电影院| 丁香狠狠干| 一二区成人电影| 五月婷丁香亚洲| 大伊香蕉精品视频在线| 亚洲激情av| 另类专区在线观看| 色色综合院| 天天噜噜| 丁香六月激情综合网| ww亚洲ww在线观看| 99九九在线| 五月丁久久| 色爱终和网| 曰本久久女| www.sd-xiangsu.cpm| 天天干一干| 久久综合网免费视频| 秋霞学生妹一二级| 色综合久久中文| 丁香五月综合久久综合| 五月桃花网综合| 婷婷五月天亚洲综合网| 色婷婷成人网| 日韩人妻在线观看| 色婷婷电影网| 色综合爱综合| www.五月天婷婷| 91久久国产自产拍夜夜91久久精品文字>91麻豆精品国产 | 天天爽天天爽| 婷婷丁香成人在线视频| 色色激情网| 婷婷综合另类小说| 这里只有精品久| 另类小说五月天| 久婷久婷| 五月天激情视频| 97超碰色| www.com在线操视频免费观看| 操人精品| 日日天天干| 黄网在线免费观| 六月婷婷中文字幕| 99热最新网址| 9久精品| 中文AV在线观看| 丁香五月婷婷超碰在线| 中文字幕日韩成人| 丁香六月啪啪啪| 天天弄天天操| 久久天天天| 99精品视频网| 国产欧美日韩综合精品一区二区| 五月激情婷婷偷拍| 99久久99久久综合| 无码少妇高潮喷水A片免费| 激情五月天啪啪| 九九久久综合网站| 五月天婷婷社区| 丁香六月久久| 国产一区二区av免费| 亚洲AV成人一区二区在线观看| 亚洲综合在线伊人婷| 欧美日韩aaa| 无码成人AAAAA毛片AI换脸| 久思思久视频| 婷婷五月色播放| 999婷婷综合| 91九色精品女同系列| 在线va网站| 亚洲欧洲中文日韩久久AV乱码| 色欲婷婷夜夜| 免费黄网不卡AV| 色婷婷成人| 涩 五月 婷婷 狠狠| 色丁香婷婷| 久久婷婷五月| 超碰免费在线| 99re6久热只有精品6在线直播| 五月丁香六月婷婷成人| 亚洲V国产V欧美V久久久久久| 26uuu亚洲欧美另类| 五月婷激情影院| 免费久久这里只有精品99| 婷婷伊人五月天| 这里有精品| 五月丁香五月天现场视频| 超碰97免费在线| 色婷婷激情| 深爱婷婷丁香五月激情| 99色在线观看| 日韩一级网站| 亚洲成人在线观看av| 丁香九月综合激情| 99在线视频精品| 九月婷婷人人操人人舔人人爱| 99久久婷婷国产综合精品草原| 强辱丰满人妻HD中文字幕| 26uuu欧美| site:hcxsz888.com| 亚洲激情Av| 激情第四色| 97色色色色色| 五月婷婷丁香社区| 国产av基地| 日韩av在线播放综合网| 久久婷婷六月综合| 色色色色色综合| 五月丁香婷婷色| 在线另类| 美女天天艹人人爽| 精品久久9| 婷五月丁香俺| 亚洲Va成人| 国产精品电影网| 丁香五月激情啪啪| 综合色五月| 操你av| 色色色在线| 91妻人人爽人人看片| 色色色com| 日韩狠狠色| 五月丁香做爱视频| 激情五月婷婷在线区| 久久久久久草黄色片AV在线观看| 日本美女天天日天天爽| 99视频这里只有免费精品| 色五月婷婷综合在线| 国产这里只有精品| 色综合丁香| 五月丁香婷婷综合| 97碰碰视频| 五月天成人小说| 免费观看欧美成人AA片爱我多深| 精品成人a v无码内射| 久久综合五月天| 99在线免费视| 五月天婷综合| 色婷婷色99国产综合精品| 色色色综合| 99狠狠| 先锋资源91| 五月丁香999| 热99热| 99热这里在线精品| 色五月av伊人| 永久AⅤ1| www.激情五月天com| 亚洲操b| 丁香六月无码| 天天操狠狠操| 婷婷久久五月丁香| 色婷婷激情| 噼里啪啦完整版中文在线观看| 人妻22p| 色九四色| 色爱综合网| 亚洲传媒在线观看| 91丨九色丨国产打屁股| 欧美色色色色色| 深爱1激情网| 婷婷成人小说综合| 天天日,天天射,天天舔| 婷婷99| 99操碰| 九九成人| 51精品国自产在线| 五月丁香婷色| 操碰91| 熟女人妻视频| 五月丁香综合网| 伊人久久婷婷五月综合97色| 五月天婷婷无码视频| 五月激情六月宗合| 91久久婷婷| 91无码一起草| 五月天堂六月丁香亚州中文字幕久久 | 色色丁香| 五月天亚洲色| www.夜夜操.com| www999日韩精品| 六月婷婷狠狠色在线观看| 婷婷五月av| 99这里只有精品|v| 五月色婷婷夜色| 99黄色在线视频精品熟女| 日日夜夜青青草| 九九热精品| 狠狠香蕉| 六月丁香五月天| 久久9热| 久久日曰| 五月丁香啪啪啪啪| 直接看的AV| 99资源在线| 丁香五月婷婷成人综合| 99ri精品视频在线观看| 久久99三级在线视频| 都市激情小说婷婷| 激情综合五月天| 777色婷婷爱五月| 久久久久久9| 成人无码髙潮喷水A片| 亚洲综合视频网| 欧美这里只有精品| 婷婷色五月天色| 日韩在线aaa| 亚洲成av人影院| 五月色婷婷综合色| 九热视频在线精品15| 婷婷久久色五月婷婷久久久| 日本欧特黄色刺激一区影视久精品无码| 99国产小视频免费观看| 五月婷婷综合潮喷| 国产干逼片| 99r这里| 无码 av电影| 99热这里只有精品1998| 成人av免费观看| 色综天天综合| 99热精品在线观看| 国产日日夜夜操| 丁香五月天堂| 久久与婷婷| AV成人在线网站| 99热这里只有精品2016| 97se视频在线| 五月婷婷久久综合| 九九無妻| 中文字幕在线日亚州9| 色偷偷综合| 久久久久久久久久久久久久久久久精典| 亚洲激情淫网| 99精品在线播放| 婷婷八月激情| 中国女人内射6XXXXX| 激情综合无码| 色区久久| 九九久久五月天| 五月天婷婷色色| 激情图片99| 另类少妇人与禽zOZZ0性伦| 色狠狠999综合| 婷婷金品综合视频| 婷婷五月天com| 国产毛片精品一区二区色欲黄A片| 9999热在线观看| 国产操碰| 九色在线五月婷婷网址| 日韩狠狠色| 色婷婷婷综合五月天| 激情综合色婷婷啪啪五月天| 九九re精品视频在线观看| 天天玩夜夜操天天爽| 青青草国产亚洲精品久久| 色播五月| 99精品久久| 狠狠干五月天| 天天五月香欧美| 97碰91| 99热这里只有精品4| www婷婷| 五月婷在线观看| 国产色99| 九九sese| 人人操女人| 51精品国自产在线| 综合五月天完整| 97干在线播放| 色婷婷亚洲在线| 人人澡天天色天天做| 综合九九久久| 国产日韩欧美性爱| av性爱在线| 99视频精品| 免费亚洲婷婷中文字幕| 99啪啪视频| 操逼棍操逼| 婷婷色五月丁香六月欧美啪| 六月丁香啪| 图片区 小说区 区 亚洲五月| 人人草人人舔| 激情五月少妇| 五月天激情中文字幕| 色综合九九| 久久婷婷五| 99ri精品视频在线观看| 婷婷五月天成人小说| 色视五月天婷婷| 色婷婷久久综合| 一本久婷婷综合| 刘玥精品一区| 人人97碰| 夜夜操狠狠操天天操| 婷婷导航| 婷婷五月天777| 久久精品婷婷五月丁香| 色碰97| 色色色色色色网站| 五月五婷婷| 人妻videos人妻高清| 91chinese 在线| 大香蕉在线观看9| 亚洲精品一二三| 夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂亚洲亚洲亚洲亚洲亚洲亚洲亚洲亚洲色 | 亚洲日韩一页精品发布| 天天操天天操综合| 五月丁香| 婷婷激情啪啪| 99啪啪网| 啪啪91| 五月天激情视频| 久久99最新地址| 中出内射的人妻视频| 亚洲国产成人AV在线| 啪啪小说五月天| 99久热| 五月丁香另类网| 五月天另类小说| 99热在线免费| 98色丁香五月婷婷综合网| site:feetmall.com| 九九热婷婷| 久久精品99国产精品日本| 五月天精品综合| 亚洲av成人一区二区电影在线| 日本久久天堂| αv中文字幕在线观| 热99在线精品| 99这里的视频都是精品| 综合久久五| 开心五月网 | 亚洲色基地| 91狠狠综合久久久| 久热这里只有精品6| 26uuu四色| 久久资源综合| 国产偷人爽久久久久久老妇APP| 久去色色| 97干视频在线| 青青久久五月天丁香婷婷| 九九亚洲| 欧美婷婷综合网| 国产真人做爰视频免费| 婷婷丁香花五月天| 丁香六月婷婷综合啪啪| 亚洲色婷婷婷婷人人爽| 六月综合婷婷开心伊人| 久久99久久99精品,久国产,久久精品免费,99久在线,久久久久国产精品免费网站,9 | 99精品丰满| 国产99久久久国产精品免费看| 婷婷亚洲欧美丁香五月| 五月丁香在线国产| 97精品综合| 婷婷成人AV| 色婷婷在线电影| 色五月在线播放| 五月丁香在线| 欧美成人网99网| 久久亚洲网| 夜精品无码A片一区二区蜜桃| 激情综合五月天| 亚洲综合激情五月| 一级性感黄色内射视频| 97色色色| 狼人久草| 1024操逼视频| 天天射综合网天天插| 久久色天堂| 1024在线观看免费视频| 婷婷丁香熟女| 成人AV中文字幕| 色色色色色色色色五月先| 久久性爱视频| 色婷婷国产精品综合在线观看| 成人中文网| 五月天色色色| 九九热视频网站| 丁香婷婷色五月| 9999热在线观看| 爱iii做iiii日日| 婷婷99狠狠躁天天久久久九九九| 99性爱视频| 99热免费精品| 99热99在线| 97碰| 婷婷五月天精品| 91狠狠色丁香婷婷综合久久精品| 婷婷激情社区| 久操婷婷| 色情五月综合婷婷| enecarbon-materials.com污K127封锁请涟系@wip1688 | 婷婷五六日| 亚洲人成网站999久久久综合| 五月婷婷电影院| 婷婷丁香六月天| 99热网站| 91seav| 99热这里全都是精品| 五月色婷婷综合| 亚洲最大激情无码| 激情丁香五月婷婷| 亚洲碰碰碰| 五月花在线观看视频| 久久开心五月天激情| 亚洲激情免费视频观看| 2015好吊操| 丁香激情网| 极品色丁香| 婷婷五月天成人| 超碰亚洲天堂| 五月丁香伊人网| 亚洲精品小视频| 亚洲va在线| 亚洲成人在线五月天| 色婷婷精品| 丁香五月婷婷啪啪啪| 超碰人人99| 五月天婷婷綜合院| 91久久1118| 性爱AV天堂| 99er这里只有精品| 色婷婷视频| 丁香五月第九色| 欧美天天性| 五月激情婷婷女| 久久国产色| 成人网在线视频| 久久久27操| 五月天啪啪| 五月丁香六月激情在线| 免费无码毛片一区二区A片| 婷婷五月天影视首页| 强伦轩人妻一区二区电影| 婷婷成人AV| 人人摸人人搞| 麻豆AV一区二区三区| 色欲AVV| 丁香六月色| 国产午夜成人AV在线播放| 91干网站| www,com,五月色色| 99热91| 丁香五月色综合色播五月| 久热这里只有精品6官网亚洲| 婷婷五月天激情在线观看| 天天草天天舔| 99热精品6| 日韩视频99| 婷婷大乡焦噜噜| 5月丁香啪啪啪| 国产真实乱了老女人视频| 色婷狠狠| 第五婷婷伊人丁香色| 超碰人人艹| 婷婷色激情网| 99久久综合精品五月天| 五月婷婷亚洲色视频| 五月天另类小说| 精品夜夜澡人妻无码AV| 久久99网| 丁香婷色| 激情丁香婷婷五月天| 五月婷婷网站| 五月婷婷官网色| 五月婷婷婷| 天天做天天爱| 婷婷激情五月呦呦| 秋霞丝袜啪啪啪| 色色综合色视频| 69精品人人人人| 久久九九大香蕉电院| 婷婷五月天伊人网在线观看视频| 开心五月网 | 日本色色色| 婷婷五月激情中文字幕| 成人午夜无码视频| 丁香五月天成人| 五月婷婷色播| 丁香五月视频在线观看| 丁香成人视频| 99热这里只有精品86| 狠狠色噜噜狠狠狠狠综合| 超碰人人99| 专区无日本视频高清8| 97碰碰人人视频| 丁香六月色香蕉视频| 色婷丁香五月| 精品人妻一区二区| 天天做夜夜爽| 五月婷婷先锋| 婷婷色九月| 五月丁香激情六月| 色五月激情婷婷| www.久操| 五月丁香另类网| 久热视频A.| 五月天婷婷乱论小说| 丁香九月婷婷| 色婷婷久久综| 九月婷婷综合网| 婷婷五月天激情在线观看| xx久久| 真实的国产乱XXXX在线91| 天天操加勒比| 久热视频A.| 六月婷婷国产| 99热综合色图| 日韩在线观看网址| 国产av天天插天天操天天爽| 伊九九三级区| 79色色色色| 丁香五月AV| 精品成人在线观看| 五月网网站| 人妻中文在线| 女人被躁到高潮嗷嗷叫小| 狠狠丁香| 欧美Va日本Va| 色五月,com| 婷丁香久综合| 求可以看的AV网址| 97人妻碰碰中文无码久热丝袜| 综合激情四射一theav| 天天操天天爽天天爱| 情色五月天网站| www.九月婷婷丁香.com| 色七色九九| 激情六月婷婷| 97婷婷五月激情六月丁香伊人| 亚洲五月婷天天操| 日日夜夜天天综合| Www99热| 久久久精品99亚洲综合| 婷婷狠狠18禁久久| 久久九九亚洲| 婷婷丁香五月av| 99九九99九九九视频精彩| 久久er九九| 思思热精品在线视频| 大香蕉大香蕉在线影院| 五月婷婷co.m| 少妇大叫太大太粗太爽了A片| 五月婷婷啪| 天天做天天爱天天做| 夜夜嗨一区二区三区直播内容 | 99热国产免费| 九热电影av| 综合热无码| 51国精产品自偷自偷综合| 九九热10| 五月亭亭欧美女人| www.五月天激情| 亚洲xx在线| 99热这里只有精品23| 五月丁香在线| 色九亚洲| 日婷婷久久开心| 999热这里只有美国精品| 91小黄书网址在线观看| 少妇AB又爽又紧无码网站| 99热婷婷| 亚洲无码成人性爰网| 99免费视频| 色综合爱综合| 99色综合| 亚洲啪啪网| 亚洲人成色A777777在线观看| 狠狠色噜噜狠狠| 婷婷色色综合| 色青五月天| 久草婷婷网| 深爱激情av| 亚洲狠狠终合停停终合| 久99久视频精选| 久久机热/这里只有精品 | 99热首页| 一起肏在线视频| 五月精品| 另类视频五月天| 怕怕視頻| 乱岳熟女50岁| 亚洲色欲欧美一区二区三区| 亚洲精品视频在线播放| 五月在线婷色| 777色婷婷爱五月| 丁香五月社区| 99久久亚洲精品视频| 99爱视频在线| 丁香色六月| 六月丁香啪啪啪| 国产激情在线| 九九无码| 99亚洲天堂| 99操视频| 五月婷婷综合色拍| 久久视9精| 天天热夜夜操| 超碰在线日夜| 丁香五月停停av| 丁香五月很很肏| 婷婷5月九九| 在线观看欧美3区| 五月天婷久精视频| 热热色色五月天婷婷| 五月丁香六月激情啪| 久久婷综| 深爱激情婷| 色婷婷超碰| 丁香色婷婷五月天| 婷婷五月天性爱视频| 色播激情五月天| 午夜av网| 九九色综合网| 亚洲第一成人无码A片| 丁香六月啪| 91啪啪啪啪| www.久久久.com| 激情六月婷婷| 五月婷婷久久综合| 天天开心AV色综合婷婷五月天| 久久丁香综合香蕉| 丁香五月婷婷久久久| 国产欧美熟妇另类久久久| 天天五月丁香五月| 久久精品一区二区三区四区| 婷婷五月天激情影片| 亚洲黄色av网站| 91超碰在线观看| 丁香六月激情| 色五月激情五月| site:esunnet.com| 亚洲综合色婷婷文学| 亚洲精品在线视频| 五月色综合网欧美网| 丁香五月综合激情久久潮喷| 97久久久久久久久久久| 午夜婷婷五月天| 婷婷成人在线| 久久伊人五月天| 久久婷婷欧美| 热久69| 丁香午夜天| 久久九九99字幕| 丁香五月黄色| 小视频久久久aaa| 五月天色婷伊人| 99久99久| 天天艹天天综合网| 人妻中文在线| peg 2区三区四区的| 丁香五月婷婷少妇| 涩涩涩五月天| 五月婷婷六月婷| 久久人人九九| 婷婷丁香五月激情| 我要射综合| ..真实国产乱子伦毛片| 亚洲免费av在线| 婷婷五月欧美综合| 六月丁香婷婷综合影院| 天天弄天天操| 啪啪五月综合| www.婷婷,com| 天天色情站| 国产做爰视频免费播放| 狠狠草狠狠草| 久热这里只有精品性色AV| 国产成人网站在线观看| 综合亚洲色色| 国产乱妇乱子在线播视频播放网站 | 97涩婷婷婷婷基地| 天天射影院| 狠狠88综合久久久久噜噜噜| 激情熟女网| 97精品人人A片免费看| 国产午夜精品一区二区| 激情综合激情五月| 久七香蕉| 五月天激情婷婷| 婷婷五月天开心网| 激情婷婷五月天网址| 99久久97久久欧美综合网| 青草视频在线观看视频| WWW,五月| 丁香激情六月天婷婷| 久久久999精品| 超碰人人在线观看| 99热在线看片| 五月开心激情网| 久久香蕉网| 人妻在线网站| 无码少妇高潮喷水A片免费| 色婷婷亚洲五月天| www.sd-xiangsu.cpm| 狠狠爱婷婷| 五月丁香综缴情性爱| 超碰在线人妻| 午夜九九九九九九九九九九九九九| 久久精品性爱视频,| 五月久久丁香| 丁香五月在线观看| 久久五月丁香婷婷| 狠狠色大香蕉| 无码碰碰| 99无码| 人妻激情在线| 天天操电影院色狼性av| site:jszngf.com| 亚洲自拍天堂| A片天天| 亚洲精品99| 亚洲av成人在线| www.日日夜夜.com| 六月婷婷私欲| 开心久久xxx色| 六月丁香av| 婷婷五月天激情小说| 五月婷婷之综合激情| 开心五月色婷| 激情五月图| 五月婷在线观看| 亚洲成人无码网站| 婷婷激情97| 丁香五月天激情四射网络不好 | 丁香五月婷婷啪| 超碰免费99| www狠狠com| 4438全国最大视频成人网站在线观看| 色婷婷丁香五月| 人人摸人人搞| 久草xx性爱视频| 亚洲婷婷开心五月| AV伊人青草丁香六月| 51成人| 色婷婷亚洲在线观看| 99久久婷婷国产综合精品电影| 双性美人被调教到喷水A片| 九九色热| 99热99成人| 欧美人人操| 99九无网码| 97色操| 日韩三及成人AV片| 婷婷五月综合基地| 少妇AB又爽又紧无码网站| 色综合色| 激情综合网五月激情| 五月丁香激情婷婷综合| 伊人六月丁香婷婷|