文章發布于公號【數智物語】 (ID：decision_engine)，關注公號不錯過每一篇干貨。

來源 | 騰訊廣告算法大賽

作者 | 陳成龍

Kaggle 于 2010 年創立，專注數據科學，機器學習競賽的舉辦，是全球最大的數據科學社區和數據競賽平臺。作者從 2013 年開始，陸續參加了多場 Kaggle上面舉辦的比賽，相繼獲得了 CrowdFlower 搜索相關性比賽第一名(1326支隊伍)和 HomeDepot 商品搜索相關性比賽第三名(2125支隊伍)，曾在 Kaggle 數據科學家排行榜排名全球第十，國內第一。作者目前在騰訊社交與效果廣告部任職數據挖掘工程師，負責 Lookalike 相似人群擴展相關工作。此文分享作者在參加數據挖掘比賽過程中的一點心得體會。

01

Kaggle 基本介紹

Kaggle 于 2010 年創立，專注數據科學，機器學習競賽的舉辦，是全球最大的數據科學社區和數據競賽平臺。在 Kaggle 上，企業或者研究機構發布商業和科研難題，懸賞吸引全球的數據科學家，通過眾包的方式解決建模問題。而參賽者可以接觸到豐富的真實數據，解決實際問題，角逐名次，贏取獎金。諸如 Google，Facebook，Microsoft 等知名科技公司均在 Kaggle 上面舉辦過數據挖掘比賽。2017年3月，Kaggle 被 Google CloudNext 收購。

1.1

參賽方式

可以以個人或者組隊的形式參加比賽。組隊人數一般沒有限制，但需要在 Merger Deadline 前完成組隊。為了能參與到比賽中，需要在 Entry Deadline 前進行至少一次有效提交。最簡單地，可以直接提交官方提供的 Sample Submission。關于組隊，建議先單獨個人進行數據探索和模型構建，以個人身份進行比賽，在比賽后期(譬如離比賽結束還有 2~3 周)再進行組隊，以充分發揮組隊的效果(類似于模型集成，模型差異性越大，越有可能有助于效果的提升，超越單模型的效果)。當然也可以一開始就組好隊，方便分工協作，討論問題和碰撞火花。

Kaggle 對比賽的公正性相當重視。在比賽中，每個人只允許使用一個賬號進行提交。在比賽結束后 1~2 周內，Kaggle 會對使用多賬號提交的 Cheater 進行剔除(一般會對 Top 100 的隊伍進行 Cheater Detection)。在被剔除者的 Kaggle 個人頁面上，該比賽的成績也會被刪除，相當于該選手從沒參加過這個比賽。此外，隊伍之間也不能私自分享代碼或者數據，除非在論壇上面公開發布。

比賽一般只提交測試集的預測結果，無需提交代碼。每人(或每個隊伍)每天有提交次數的限制，一般為2次或者5次，在 Submission 頁面會有提示。

1.2

比賽獲獎

Kaggle 比賽獎金豐厚，一般前三名均可以獲得獎金。獲獎的隊伍需要在比賽結束后 1~2 周內，準備好可執行的代碼以及 README，算法說明文檔等提交給 Kaggle 來進行獲獎資格的審核。Kaggle 會邀請獲獎隊伍在 Kaggle Blog 中發表 Interview，來分享比賽故事和經驗心得。對于某些比賽，Kaggle 或者主辦方會邀請獲獎隊伍進行電話/視頻會議，獲獎隊伍進行 Presentation，并與主辦方團隊進行交流。

1.3

比賽類型

從 Kaggle 提供的官方分類來看，可以劃分為以下類型(如下圖1所示)：

◆ Featured：商業或科研難題，獎金一般較為豐厚；

◆ Recruitment：比賽的獎勵為面試機會；

◆ Research：科研和學術性較強的比賽，也會有一定的獎金，一般需要較強的領域和專業知識；

◆ Playground：提供一些公開的數據集用于嘗試模型和算法；

◆ Getting Started：提供一些簡單的任務用于熟悉平臺和比賽；

◆ In Class：用于課堂項目作業或者考試。

圖1. Kaggle 比賽類型

從領域歸屬劃分：包含搜索相關性，廣告點擊率預估，銷量預估，貸款違約判定，癌癥檢測等。

從任務目標劃分：包含回歸，分類(二分類，多分類，多標簽)，排序，混合體(分類+回歸)等。

從數據載體劃分：包含文本，語音，圖像和時序序列等。

從特征形式劃分：包含原始數據，明文特征，脫敏特征(特征的含義不清楚)等。

1.4

比賽流程

一個數據挖掘比賽的基本流程如下圖2所示，具體的模塊將在下一章進行展開陳述。

圖2. 數據挖掘比賽基本流程

這里想特別強調的一點是，Kaggle 在計算得分的時候，有Public LB(驗證集)和 Private LB(測試集) 之分。具體而言，參賽選手提交整個測試集的預測結果，Kaggle 使用測試集的一部分計算得分和排名，實時顯示在 Public LB上，用于給選手提供及時的反饋和動態展示比賽的進行情況；測試集的剩余部分用于計算參賽選手的最終得分和排名，此即為 Private LB，在比賽結束后會揭曉。用于計算 Public LB 和 Private LB 的數據有不同的劃分方式，具體視比賽和數據的類型而定，一般有隨機劃分，按時間劃分或者按一定規則劃分。

這個過程可以概括如下圖3所示，其目的是避免模型過擬合，以得到泛化能力好的模型。如果不設置 Private LB(即所有的測試數據都用于計算 Public LB)，選手不斷地從 Public LB(即測試集)中獲得反饋，進而調整或篩選模型。這種情況下，測試集實際上是作為驗證集參與到模型的構建和調優中來。Public LB上面的效果并非是在真實未知數據上面的效果，不能可靠地反映模型的效果。劃分 Public LB 和 Private LB 這樣的設置，也在提醒參賽者，我們建模的目標是要獲得一個在未知數據上表現良好的模型，而并非僅僅是在已知數據上效果好。

圖3. 劃分 Public LB 和 Private LB的目的

(圖參考 Owenzhang 的分享 [1])

02

數據挖掘比賽基本流程

從上面圖2可以看到，做一個數據挖掘比賽，主要包含了數據分析，數據清洗，特征工程，模型訓練和驗證等四個大的模塊，以下來一一對其進行介紹。

2.1

數據分析

數據分析可能涉及以下方面：

◆分析特征變量的分布

◇ 特征變量為連續值：如果為長尾分布并且考慮使用線性模型，可以對變量進行冪變換或者對數變換。

◇ 特征變量為離散值：觀察每個離散值的頻率分布，對于頻次較低的特征，可以考慮統一編碼為“其他”類別。

◆ 分析目標變量的分布

◇ 目標變量為連續值：查看其值域范圍是否較大，如果較大，可以考慮對其進行對數變換，并以變換后的值作為新的目標變量進行建模(在這種情況下，需要對預測結果進行逆變換)。一般情況下，可以對連續變量進行Box-Cox變換。通過變換可以使得模型更好的優化，通常也會帶來效果上的提升。

◇ 目標變量為離散值：如果數據分布不平衡，考慮是否需要上采樣/下采樣；如果目標變量在某個ID上面分布不平衡，在劃分本地訓練集和驗證集的時候，需要考慮分層采樣(Stratified Sampling)。

◆ 分析變量之間兩兩的分布和相關度

◇ 可以用于發現高相關和共線性的特征。

通過對數據進行探索性分析(甚至有些情況下需要肉眼觀察樣本)，還可以有助于啟發數據清洗和特征抽取，譬如缺失值和異常值的處理，文本數據是否需要進行拼寫糾正等。

2.2

數據清洗

數據清洗是指對提供的原始數據進行一定的加工，使得其方便后續的特征抽取。其與特征抽取的界限有時也沒有那么明確。常用的數據清洗一般包括：

◆ 數據的拼接

◇ 提供的數據散落在多個文件，需要根據相應的鍵值進行數據的拼接。

◆ 特征缺失值的處理

◇ 特征值為連續值：按不同的分布類型對缺失值進行補全：偏正態分布，使用均值代替，可以保持數據的均值；偏長尾分布，使用中值代替，避免受 outlier 的影響；

◇ 特征值為離散值：使用眾數代替。

◆ 文本數據的清洗

◇ 在比賽當中，如果數據包含文本，往往需要進行大量的數據清洗工作。如去除HTML 標簽，分詞，拼寫糾正, 同義詞替換，去除停詞，抽詞干，數字和單位格式統一等。

2.3

特征工程

有一種說法是，特征決定了效果的上限，而不同模型只是以不同的方式或不同的程度來逼近這個上限。這樣來看，好的特征輸入對于模型的效果至關重要，正所謂”Garbage in, garbage out”。要做好特征工程，往往跟領域知識和對問題的理解程度有很大的關系，也跟一個人的經驗相關。特征工程的做法也是Case by Case，以下就一些點，談談自己的一些看法。

2.3.1 特征變換

主要針對一些長尾分布的特征，需要進行冪變換或者對數變換，使得模型(LR或者DNN)能更好的優化。需要注意的是，Random Forest 和 GBDT 等模型對單調的函數變換不敏感。其原因在于樹模型在求解分裂點的時候，只考慮排序分位點。

2.3.2 特征編碼

對于離散的類別特征，往往需要進行必要的特征轉換/編碼才能將其作為特征輸入到模型中。常用的編碼方式有 LabelEncoder，OneHotEncoder(sklearn里面的接口)。譬如對于”性別”這個特征(取值為男性和女性)，使用這兩種方式可以分別編碼為和{[1,0], [0,1]}。

對于取值較多(如幾十萬)的類別特征(ID特征)，直接進行OneHotEncoder編碼會導致特征矩陣非常巨大，影響模型效果。可以使用如下的方式進行處理：

◆ 統計每個取值在樣本中出現的頻率，取 Top N 的取值進行 One-hot 編碼，剩下的類別分到“其他“類目下，其中 N 需要根據模型效果進行調優；

◆ 統計每個 ID 特征的一些統計量(譬如歷史平均點擊率，歷史平均瀏覽率)等代替該 ID 取值作為特征，具體可以參考 Avazu 點擊率預估比賽第二名的獲獎方案；

◆ 參考 word2vec 的方式，將每個類別特征的取值映射到一個連續的向量，對這個向量進行初始化，跟模型一起訓練。訓練結束后，可以同時得到每個ID的Embedding。具體的使用方式，可以參考 Rossmann 銷量預估競賽第三名的獲獎方案，https://github.com/entron/entity-embedding-rossmann。

對于 Random Forest 和 GBDT 等模型，如果類別特征存在較多的取值，可以直接使用 LabelEncoder 后的結果作為特征。

2.4

模型訓練和驗證

2.4.1 模型選擇

在處理好特征后，我們可以進行模型的訓練和驗證。

◆ 對于稀疏型特征(如文本特征，One-hot的ID類特征)，我們一般使用線性模型，譬如 Linear Regression 或者 Logistic Regression。Random Forest 和 GBDT 等樹模型不太適用于稀疏的特征，但可以先對特征進行降維(如PCA，SVD/LSA等)，再使用這些特征。稀疏特征直接輸入 DNN 會導致網絡 weight 較多，不利于優化，也可以考慮先降維，或者對 ID 類特征使用 Embedding 的方式；

◆ 對于稠密型特征，推薦使用 XGBoost 進行建模，簡單易用效果好；

◆ 數據中既有稀疏特征，又有稠密特征，可以考慮使用線性模型對稀疏特征進行建模，將其輸出與稠密特征一起再輸入 XGBoost/DNN 建模，具體可以參考2.5.2節 Stacking 部分。

2.4.2 調參和模型驗證

對于選定的特征和模型，我們往往還需要對模型進行超參數的調優，才能獲得比較理想的效果。調參一般可以概括為以下三個步驟：

1. 訓練集和驗證集的劃分。根據比賽提供的訓練集和測試集，模擬其劃分方式對訓練集進行劃分為本地訓練集和本地驗證集。劃分的方式視具體比賽和數據而定，常用的方式有：

a) 隨機劃分：譬如隨機采樣 70% 作為訓練集，剩余的 30% 作為測試集。在這種情況下，本地可以采用 KFold 或者 Stratified KFold 的方法來構造訓練集和驗證集。

b) 按時間劃分：一般對應于時序序列數據，譬如取前 7 天數據作為訓練集，后 1 天數據作為測試集。這種情況下，劃分本地訓練集和驗證集也需要按時間先后劃分。常見的錯誤方式是隨機劃分，這種劃分方式可能會導致模型效果被高估。

c) 按某些規則劃分：在 HomeDepot 搜索相關性比賽中，訓練集和測試集中的 Query 集合并非完全重合，兩者只有部分交集。而在另外一個相似的比賽中(CrowdFlower 搜索相關性比賽)，訓練集和測試集具有完全一致的 Query 集合。對于 HomeDepot 這個比賽中，訓練集和驗證集數據的劃分，需要考慮 Query 集合并非完全重合這個情況，其中的一種方法可以參考第三名的獲獎方案，https://github.com/ChenglongChen/Kaggle_HomeDepot。

2. 指定參數空間。在指定參數空間的時候，需要對模型參數以及其如何影響模型的效果有一定的了解，才能指定出合理的參數空間。譬如DNN或者XGBoost中學習率這個參數，一般就選 0.01 左右就 OK 了(太大可能會導致優化算法錯過最優化點，太小導致優化收斂過慢)。再如 Random Forest，一般設定樹的棵數范圍為 100~200 就能有不錯的效果，當然也有人固定數棵數為 500，然后只調整其他的超參數。

3. 按照一定的方法進行參數搜索。常用的參數搜索方法有，Grid Search，Random Search 以及一些自動化的方法(如 Hyperopt)。其中，Hyperopt 的方法，根據歷史已經評估過的參數組合的效果，來推測本次評估使用哪個參數組合更有可能獲得更好的效果。有關這些方法的介紹和對比，可以參考文獻 [2]。

2.4.3 適當利用 Public LB 的反饋

在 2.4.2 節中我們提到本地驗證(Local Validation)結果，當將預測結果提交到 Kaggle 上時，我們還會接收到 Public LB 的反饋結果。如果這兩個結果的變化趨勢是一致的，如 Local Validation 有提升，Public LB 也有提升，我們可以借助 Local Validation 的變化來感知模型的演進情況，而無需靠大量的 Submission。如果兩者的變化趨勢不一致，需要考慮 2.4.2 節中提及的本地訓練集和驗證集的劃分方式，是否跟訓練集和測試集的劃分方式一致。

另外，在以下一些情況下，往往 Public LB 反饋亦會提供有用信息，適當地使用這些反饋也許會給你帶來優勢。如圖4所示，(a)和(b)表示數據與時間沒有明顯的關系(如圖像分類)，(c)和(d)表示數據隨時間變化(如銷量預估中的時序序列)。

(a)和(b)的區別在于，訓練集樣本數相對于 Public LB 的量級大小，其中(a)中訓練集樣本數遠超于 Public LB 的樣本數，這種情況下基于訓練集的 Local Validation 更可靠；而(b)中，訓練集數目與 Public LB 相當，這種情況下，可以結合 Public LB 的反饋來指導模型的選擇。

一種融合的方式是根據 Local Validation 和 Public LB 的樣本數目，按比例進行加權。譬如評估標準為正確率，Local Validation 的樣本數為 N_l，正確率為 A_l；Public LB 的樣本數為 N_p，正確率為 A_p。則可以使用融合后的指標：(N_l * A_l + N_p * A_p)/(N_l + N_p)，來進行模型的篩選。對于(c)和(d)，由于數據分布跟時間相關，很有必要使用 Public LB 的反饋來進行模型的選擇，尤其對于(c)圖所示的情況。

圖4. 適當利用 Public LB 的反饋

(圖參考 Owenzhang 的分享 [1])

2.5

模型集成

如果想在比賽中獲得名次，幾乎都要進行模型集成(組隊也是一種模型集成)。關于模型集成的介紹，已經有比較好的博文了，可以參考 [3]。在這里，我簡單介紹下常用的方法，以及個人的一些經驗。

2.5.1 Averaging 和 Voting

直接對多個模型的預測結果求平均或者投票。對于目標變量為連續值的任務，使用平均；對于目標變量為離散值的任務，使用投票的方式。

2.5.2 Stacking

圖5. 5-Fold Stacking

(圖參考 Jeong-Yoon Lee 的分享 [4])

圖5展示了使用 5-Fold 進行一次 Stacking 的過程(當然在其上可以再疊加 Stage 2, Stage 3 等)。其主要的步驟如下：

1. 數據集劃分。將訓練數據按照5-Fold進行劃分(如果數據跟時間有關，需要按時間劃分，更一般的劃分方式請參考3.4.2節，這里不再贅述)；

2. 基礎模型訓練 I(如圖5第一行左半部分所示)。按照交叉驗證(Cross Validation)的方法，在訓練集(Training Fold)上面訓練模型(如圖灰色部分所示)，并在驗證集(Validation Fold)上面做預測，得到預測結果(如圖黃色部分所示)。最后綜合得到整個訓練集上面的預測結果(如圖第一個黃色部分的CV Prediction所示)。

3. 基礎模型訓練 II(如圖5第二和三行左半部分所示)。在全量的訓練集上訓練模型(如圖第二行灰色部分所示)，并在測試集上面做預測，得到預測結果(如圖第三行虛線后綠色部分所示)。

4. Stage 1 模型集成訓練 I(如圖5第一行右半部分所示)。將步驟 2 中得到的 CV Prediction 當作新的訓練集，按照步驟 2 可以得到 Stage 1模型集成的 CV Prediction。

5. Stage 1 模型集成訓練 II(如圖5第二和三行右半部分所示)。將步驟 2 中得到的 CV Prediction 當作新的訓練集和步驟 3 中得到的 Prediction 當作新的測試集，按照步驟 3 可以得到 Stage 1 模型集成的測試集 Prediction。此為 Stage 1 的輸出，可以提交至 Kaggle 驗證其效果。

在圖5中，基礎模型只展示了一個，而實際應用中，基礎模型可以多種多樣，如SVM，DNN，XGBoost 等。也可以相同的模型，不同的參數，或者不同的樣本權重。重復4和5兩個步驟，可以相繼疊加 Stage 2, Stage 3 等模型。

2.5.3 Blending

Blending 與 Stacking 類似，但單獨留出一部分數據(如 20%)用于訓練 Stage X 模型。

2.5.4 Bagging Ensemble Selection

Bagging Ensemble Selection [5] 是我在 CrowdFlower 搜索相關性比賽中使用的方法，其主要的優點在于可以以優化任意的指標來進行模型集成。這些指標可以是可導的(如 LogLoss 等)和不可導的(如正確率，AUC，Quadratic Weighted Kappa等)。它是一個前向貪婪算法，存在過擬合的可能性，作者在文獻 [5] 中提出了一系列的方法(如 Bagging)來降低這種風險，穩定集成模型的性能。使用這個方法，需要有成百上千的基礎模型。為此，在 CrowdFlower 的比賽中，我把在調參過程中所有的中間模型以及相應的預測結果保留下來，作為基礎模型。這樣做的好處是，不僅僅能夠找到最優的單模型(Best Single Model)，而且所有的中間模型還可以參與模型集成，進一步提升效果。

2.6

自動化框架

從上面的介紹可以看到，做一個數據挖掘比賽涉及到的模塊非常多，若有一個較自動化的框架會使得整個過程更加的高效。在 CrowdFlower 比賽較前期，我對整一個項目的代碼架構進行了重構，抽象出來特征工程，模型調參和驗證，以及模型集成等三大模塊，極大的提高了嘗試新特征，新模型的效率，也是我最終能斬獲名次的一個有利因素。這份代碼開源在 Github 上面，目前是 Github 有關 Kaggle 競賽解決方案的 Most Stars，地址：https://github.com/ChenglongChen/Kaggle_CrowdFlower。

其主要包含以下部分：

1. 模塊化特征工程

a) 接口統一，只需寫少量的代碼就能夠生成新的特征；

b) 自動將單獨的特征拼接成特征矩陣。

2. 自動化模型調參和驗證

a) 自定義訓練集和驗證集的劃分方法；

b) 使用 Grid Search / Hyperopt 等方法，對特定的模型在指定的參數空間進行調優，并記錄最佳的模型參數以及相應的性能。

3. 自動化模型集成

a) 對于指定的基礎模型，按照一定的方法(如Averaging/Stacking/Blending 等)生成集成模型。

03

Kaggle競賽方案盤點

到目前為止，Kaggle 平臺上面已經舉辦了大大小小不同的賽事，覆蓋圖像分類，銷量預估，搜索相關性，點擊率預估等應用場景。在不少的比賽中，獲勝者都會把自己的方案開源出來，并且非常樂于分享比賽經驗和技巧心得。這些開源方案和經驗分享對于廣大的新手和老手來說，是入門和進階非常好的參考資料。以下作者結合自身的背景和興趣，對不同場景的競賽開源方案作一個簡單的盤點，總結其常用的方法和工具，以期啟發思路。

3.1

圖像分類

3.1.1 任務名稱

National Data Science Bowl

3.1.2 任務詳情

隨著深度學習在視覺圖像領域獲得巨大成功，Kaggle 上面出現了越來越多跟視覺圖像相關的比賽。這些比賽的發布吸引了眾多參賽選手，探索基于深度學習的方法來解決垂直領域的圖像問題。NDSB就是其中一個比較早期的圖像分類相關的比賽。這個比賽的目標是利用提供的大量的海洋浮游生物的二值圖像，通過構建模型，從而實現自動分類。

3.1.3 獲獎方案

● 1st place：Cyclic Pooling + Rolling Feature Maps + Unsupervised and Semi-Supervised Approaches。值得一提的是，這個隊伍的主力隊員也是Galaxy Zoo行星圖像分類比賽的第一名，其也是Theano中基于FFT的Fast Conv的開發者。在兩次比賽中，使用的都是 Theano，而且用的非常溜。方案鏈接：http://benanne.github.io/2015/03/17/plankton.html

● 2nd place：Deep CNN designing theory + VGG-like model + RReLU。這個隊伍陣容也相當強大，有前MSRA 的研究員Xudong Cao，還有大神Tianqi Chen，Naiyan Wang，Bing XU等。Tianqi 等大神當時使用的是 CXXNet(MXNet 的前身)，也在這個比賽中進行了推廣。Tianqi 大神另外一個大名鼎鼎的作品就是 XGBoost，現在 Kaggle 上面幾乎每場比賽的 Top 10 隊伍都會使用。方案鏈接：https://www.kaggle.com/c/datasciencebowl/discussion/13166

● 17th place：Realtime data augmentation + BN + PReLU。方案鏈接：https://github.com/ChenglongChen/caffe-windows

3.1.4 常用工具

▲ Theano: http://deeplearning.net/software/theano/

▲ Keras: https://keras.io/

▲ Cuda-convnet2: https://github.com/akrizhevsky/cuda-convnet2

▲ Caffe: http://caffe.berkeleyvision.org/

▲ CXXNET: https://github.com/dmlc/cxxnet

▲ MXNet: https://github.com/dmlc/mxnet

▲ PaddlePaddle: http://www.paddlepaddle.org/cn/index.html

3.2

銷量預估

3.2.1 任務名稱

Walmart Recruiting - Store Sales Forecasting

3.2.2 任務詳情

Walmart 提供 2010-02-05 到 2012-11-01 期間的周銷售記錄作為訓練數據，需要參賽選手建立模型預測 2012-11-02 到 2013-07-26 周銷售量。比賽提供的特征數據包含：Store ID, Department ID, CPI，氣溫，汽油價格，失業率，是否節假日等。

3.2.3 獲獎方案

● 1st place：Time series forecasting method: stlf + arima + ets。主要是基于時序序列的統計方法，大量使用了 Rob J Hyndman 的 forecast R 包。方案鏈接：https://www.kaggle.com/c/walmart-recruiting-store-sales-forecasting/discussion/8125

● 2nd place：Time series forecasting + ML: arima + RF + LR + PCR。時序序列的統計方法+傳統機器學習方法的混合；方案鏈接：https://www.kaggle.com/c/walmart-recruiting-store-sales-forecasting/discussion/8023

● 16th place：Feature engineering + GBM。方案鏈接：https://github.com/ChenglongChen/Kaggle_Walmart-Recruiting-Store-Sales-Forecasting

3.2.4 常用工具

▲ R forecast package: https://cran.r-project.org/web/packages/forecast/index.html

▲ R GBM package: https://cran.r-project.org/web/packages/gbm/index.html

3.3

搜索相關性

3.3.1 任務名稱

CrowdFlower Search Results Relevance

3.3.2 任務詳情

比賽要求選手利用約幾萬個 (query, title, description) 元組的數據作為訓練樣本，構建模型預測其相關性打分 。比賽提供了 query, title和description的原始文本數據。比賽使用 Quadratic Weighted Kappa 作為評估標準，使得該任務有別于常見的回歸和分類任務。

3.3.3 獲獎方案

● 1st place：Data Cleaning + Feature Engineering + Base Model + Ensemble。對原始文本數據進行清洗后，提取了屬性特征，距離特征和基于分組的統計特征等大量的特征，使用了不同的目標函數訓練不同的模型(回歸，分類，排序等)，最后使用模型集成的方法對不同模型的預測結果進行融合。方案鏈接：https://github.com/ChenglongChen/Kaggle_CrowdFlower

● 2nd place：A Similar Workflow

● 3rd place：A Similar Workflow

3.3.4 常用工具

▲ NLTK: http://www.nltk.org/

▲ Gensim: https://radimrehurek.com/gensim/

▲ XGBoost: https://github.com/dmlc/xgboost

▲ RGF: https://github.com/baidu/fast_rgf

3.4

點擊率預估 I

3.4.1 任務名稱

Criteo Display Advertising Challenge

3.4.2 任務詳情

經典的點擊率預估比賽。該比賽中提供了 7 天的訓練數據，1 天的測試數據。其中有 13 個整數特征，26 個類別特征，均脫敏，因此無法知道具體特征含義。

3.4.3 獲獎方案

● 1st place：GBDT 特征編碼 + FFM。臺大的隊伍，借鑒了Facebook的方案 [6]，使用 GBDT 對特征進行編碼，然后將編碼后的特征以及其他特征輸入到 Field-aware Factorization Machine(FFM) 中進行建模。方案鏈接：https://www.kaggle.com/c/criteo-display-ad-challenge/discussion/10555

● 3rd place：Quadratic Feature Generation + FTRL。傳統特征工程和 FTRL 線性模型的結合。方案鏈接：https://www.kaggle.com/c/criteo-display-ad-challenge/discussion/10534

● 4th place：Feature Engineering + Sparse DNN

3.4.4 常用工具

▲ Vowpal Wabbit: https://github.com/JohnLangford/vowpal_wabbit

▲ XGBoost: https://github.com/dmlc/xgboost

▲ LIBFFM: http://www.csie.ntu.edu.tw/~r01922136/libffm/

3.5

點擊率預估 II

3.5.1 任務名稱

Avazu Click-Through Rate Prediction

3.5.2 任務詳情

點擊率預估比賽。提供了 10 天的訓練數據，1 天的測試數據，并且提供時間，banner 位置，site, app, device 特征等，8個脫敏類別特征。

3.5.3 獲獎方案

● 1st place：Feature Engineering + FFM + Ensemble。還是臺大的隊伍，這次比賽，他們大量使用了 FFM，并只基于 FFM 進行集成。方案鏈接：https://www.kaggle.com/c/avazu-ctr-prediction/discussion/12608

● 2nd place：Feature Engineering + GBDT 特征編碼 + FFM + Blending。Owenzhang(曾經長時間雄霸 Kaggle 排行榜第一)的競賽方案。Owenzhang 的特征工程做得非常有參考價值。方案鏈接：https://github.com/owenzhang/kaggle-avazu

3.5.4 常用工具

▲ LIBFFM: http://www.csie.ntu.edu.tw/~r01922136/libffm/

▲ XGBoost: https://github.com/dmlc/xgboost

參考文獻

[1] Owenzhang 的分享： Tips for Data Science Competitions

[2] Algorithms for Hyper-Parameter Optimization

[3] MLWave博客：Kaggle Ensembling Guide

[4] Jeong-Yoon Lee 的分享：Winning Data Science Competitions

[5] Ensemble Selection from Libraries of Models

[6] Practical Lessons from Predicting Clicks on Ads at Facebook

|| 推薦閱讀 ||

https://mp.weixin.qq.com/s/RjhY-qrtNFEeYgZvrOYc_A

https://mp.weixin.qq.com/s/W3ywkvomHZnbctuNDwMVnw

https://mp.weixin.qq.com/s/CTSj4_NuQotcvyOdRmJAYQ

星標我，每天多一點智慧

總結

以上是生活随笔為你收集整理的kaggle账号_Kaggle 数据挖掘比赛经验分享的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。