#多看賽經(jīng)，還有決賽答辯。

#參與練習賽

#EDA數(shù)據(jù)可視化探索

EDA最大的作用是發(fā)現(xiàn)一些異常數(shù)據(jù)，并可以重新賦值。

其次是得到一些啟發(fā)。這個啟發(fā)很微妙因為并不知道會得到什么啟發(fā)。

#關(guān)于解決過擬合

1不要輕易對A榜提交csv做集成。不要玩火。

2 這個世界是存在一些特征工程，通過轉(zhuǎn)換差分target的方法，來增加數(shù)據(jù)來解決過擬合的。

3 不要迷信調(diào)參。大部分調(diào)參是無用的，少部分提升一點點的成績。關(guān)注數(shù)據(jù)和特征更加重要。手動調(diào)參和自動調(diào)參本質(zhì)上沒有區(qū)別。

4 大部分情況下，正則化都有用。

#如果某次比賽沒有拿到好名次。不一定是你的實力問題，還有可能是運氣問題。但是只要是比賽，細節(jié)性的東西一定要注意。你越細心，運氣越好。

賽經(jīng)搜集

#https://zhuanlan.zhihu.com/p/43691981

該文主要是以下觀點

把數(shù)據(jù)轉(zhuǎn)換成圖像

? ? 原始數(shù)據(jù)轉(zhuǎn)換成圖像，并把前n位像素作為特征。這是Kaggle競賽中出現(xiàn)的令人驚嘆的特征工程之一。

Meta-leaks

? 能發(fā)現(xiàn)數(shù)據(jù)泄漏的情況，代表數(shù)據(jù)探索分析做的好

表征學習特征

均值編碼

轉(zhuǎn)換目標變量

? ? 改變目標變量分布 log(1+目標)和? 轉(zhuǎn)回 predictions = np.exmp1(log_predictions)。

#https://jizhi.im/blog/post/kaggle_silver

git 上有ppt

四則運算

時間段特征

地理位置特征

? 聚類

文本特征

稀疏型特征

稀疏型特征