【算法比赛baseline】Kaggle泰坦尼克之灾

前言

这个系列是我新开的一个专辑，目的嘛，也很明确：最近在实习，然后无所事事，所以打算剩余的时间敲敲代码练手，正好多积累一些特征工程的经验，多撸几个baseline，到时候开学后就有经验可以打比赛了，据我所知现在比较有名的比赛除了Kaggle、天池、科赛还有就是各大互联网公司举办的算法比赛，很多，几乎每个月份都有，只要你想参加，就有机会，有的人选择了直接上手比赛高压之下快速成长，我觉得我离比赛还有一定距离，所以比较倾向于多学习学习，把基础打牢固秋天再说比赛的事情。

大神推荐

这个baseline也是参照他的这篇博文：
寒小阳
准备好好看看他写的专栏了，明光村出来的技术有保障，黑一波北邮。

我的实现

github代码请戳这里。

1. 数据探索，这是必不可少的一步，这个比赛数据还算整齐的，有的比赛缺失值异常值多的让人疯狂
2. 数据清洗和特征工程，这部分没怎么做，就简单处理了一下数据，没有挖掘更多的交叉特征，如果是真正的比赛的话，还需要在这块多下功夫
3. 训练模型，前期做好了，这块也就不用发愁了
4. 模型融合，这是必须要做的。

打比赛的思路框架

• 拿到数据后怎么了解数据(可视化)
• 选择最贴切的机器学习算法
• 定位模型状态(过/欠拟合)以及解决方法
• 大量极的数据的特征分析与可视化
• 各种损失函数(loss function)的优缺点及如何选择

人生经验

1. 应用机器学习，千万不要一上来就试图做到完美，先撸一个baseline的model出来，再进行后续的分析步骤，一步步提高，所谓后续步骤可能包括『分析model现在的状态(欠/过拟合)，分析我们使用的feature的作用大小，进行feature selection，以及我们模型下的bad case和产生的原因』等等。
2. 重视对数据的认识！
3. 数据中的特殊点、离群点分析和处理真的太重要了！
4. 特征工程太重要了，有些时候甚至比模型本身还要重要！
5. 要做模型融合啊！

---

上面这些都是口头上的，具体怎么做，真的得在比赛中去探索，我也是新手，在碰到形形色色的问题的时候就会很烦躁，多做多练！

工具上的不足

现在我喜欢把之前学过的matplotlib包称为工具而非知识，这个东西以前学过，可是感觉在画图的时候还是感觉很吃力，还是的**多查官方文档！多查官方文档！多查官方文档！**查着查着就熟练了，所以摆脱原来一本书从头看到尾的想法吧，边动手边学习，把知识当成工具才是最高效的学习方法。

还有就是变量名啊，真的要仔细点，调错半天发现变量名写错了，多么心痛，IDE是个好东西，想念～