数据竞赛Tricks集锦

点击上方“Datawhale”，选择“星标”公众号

第一时间获取价值内容

本文将对数据竞赛的『技巧』进行全面的总结，同时还会分享下个人对比赛方法论的思考。前者比较客观，总结了不同数据类型下涉及到的比赛技巧；后者稍微主观，是我个人对解决比赛思路的总结。

2019年下半年对我触动很大的两个知识分享是：

• 志峰现场讲解的《Tricks in Data Mining Competitions 》

• 鱼佬知识星球分享的《Kaggle数据竞赛知识体系》

注： 这两个分享的原始资料，不要向我要，我没有所有权。

碰巧最近也想将一些知识点整理下，本文将会参考上述两个分享的结构来整理我个人的知识点。当然我整理的会比较杂，会按照讨论点进行整理。

1 数据竞赛的流程

这是老生常谈的话题：数据分析主要目的是分析数据原有的分布和内容；特征工程目的是从数据中抽取出有效的特征；模型训练与验证部分包括数据划分的方法以及数据训练的方法；模型融合部分会简介模型融合的方法和实现方式。

我想表达的是：虽然数据挖掘在流程上可以看成是瀑布式的，但各个流程相互影响：比如数据分析可以挖掘出数据的分布规律，可以指导特征工程；特征的验证又可以反馈数据分析的结果。所以在实际比赛过程中这个流程是反复循环的，并不是一蹴而就的。

数据挖掘是一个循环的过程，并不是瀑布式的

一个特征不是拍脑袋想的&#x