kaggle- 鸟声识别竞赛学习笔记

背景

是次kaggle比赛英文名叫为"Cornell BirdCall Identification",没有官方中文名称，大概是鸟声识别竞赛。这是本人第一次的kaggle奖金比赛(除了只抄baseline然后啥都没干的比赛 ）,也是第一次接触音频识别的数据分析竞赛。结果只是Top15%，不算理想。因此，本文将记录赛后复盘优秀解决方案，分析优秀选手的思路和提分技巧，同时理解自身需要提升的地方。

注意：学习笔记，不是赛后讲解，所以详细的比赛规则和数据集的类型等我就不一一详细论述。

自身困境

此部分为自己遇上的困难：

1. 按照baseline训练模型，并加入竞赛要求的评判标准改善训练结果，反而公开排行榜(Public Leaderboard，下称lb)分数较低。
2. 聚合不同模型时，结果比单一模型lb分数差
3. 不能灵活修改模型和训练过程，如：pytorch模型定义格式改为tensorflow的模型定义格式
   4.自定义的音频处理特征工程效果不明显

优胜解决方案思路分析

以下为综合部分Top10选手的notebook/kernel后的共同点，为本人的浅见，。

后处理

为什么我先说后处理(post process)呢？是次比赛特别的地方在于预测结果需要按场景作调整࿰