1 引言
Kaggle作为最有名的数据科学竞赛平台(没有之一),提供了各种高质量的比赛,也形成了友善、开源的社区氛围。各种大神总是慷慨地分享自己的知识和经验。 本文整理了在Kaggle大宝库中所见所得的一些有用的tips。
2 Tips
Chris Deotte是Kaggle社区一位活跃的大神,是Competitions,Datasets,Notebooks,Discussion的全科Grandmaster。在Discussion板块中更是排名世界第一(以讨论帖所得的奖牌数排名)。从他的讨论帖中总是能收获许多经验、知识。
他有一篇关于特征工程的文章:
-
label encoding要训练集和测试集一起做。主要是防止测试集出现新的类别。这里需要注意的是,如果是涉及到label的处理,如WOE,则需要训练集处理好,验证集按照字典去查找对应的值,以防止数据泄露。 -
空值处理。对于树模型来说,会将空值的样本基于增益分给左子树和右子树。一种处理方式是将空值填充为-999,这样这些样本也能参与结点的分裂。至于这种方式是否能提升模型表现,需要用验证结果来说话。 -
由于Kaggle竞赛题常会遇到数据量太大的问题,此时我们需要减少数据的内存占用。Kaggle上有一个经典的memory_reduce的函数可以很好地减少数据大小。 -
对于树模型中的类别变量,在label encoding之后可以把它当作类别或是数字。至于哪种方法好,还是需要看验证结果。 -
将某个特征拆分成多个特征。如将金额拆分成整数和小数部分。不知道有没有用。 -
特征组合。类别变量的组合或是数字变量的加减乘除。 -
Frequency Encoding(等各种encoding)。 -
Group by之后的一些统计量。 -
归一化。一般来说归一化都没有太大的问题(对于神经网络是必须的,有趋势的数据也可以去除趋势)。 -
去除极端值的影响。
在IEEE-CIS Fraud Detection这个竞赛中,Chris也拿了第一名。关于此竞赛的经验分享有:
-
赛题的关键是识别出客户的uid。但是不能直接把uid等id类变量作为特征,因为测试集中有很多新出现的uid。 -
CatBoost模型在树模型中表现较好。 -
变量的时间一致性:这里Chris所用的方式是对每一个变量用第一个月的数据去训练一个模型,然后看最后一个月的模型表现。如果表现较差,则说明这个变量可能只在过去起作用,这时应该丢弃这些变量。 -
低variance的数字变量往往是没有用的。sklearn.feature_selection中有VarianceThreshold来进行特征筛选。
Chris还参加了一些图像、NLP相关的比赛,由于和自己的主营业务不太相关,这里就不做整理了。
CPMP也是Discussion的Grandmaster,他有一篇关于避免overfitting的tips的文章。
3 小结
这些知识、经验虽然有一些针对比赛的奇淫技巧,但是它们对于日常建模仍然具有一定的指导意义,值得我们去思考、尝试。 感谢这些大神们乐于分享的精神,能从Kaggle大社区中汲取知识和营养真是一种幸事。
|