Kaggle 2022 年鉴发布！涵盖竞赛趋势 & 57场比赛方案汇总！

Kaggle比赛平台每年都会举办N多有价值的比赛，吸引了全球的用户参与。但作为参赛选手的你，你知道今年Kaggle最热门的比赛吗？今年最常见的比赛库是什么？

90页竞赛年鉴领取方式见文末，Kaggle年鉴内容（2022年度）：

• 比赛类型统计

• 参赛选手统计

• 模型&库统计

• 比赛内容统计

比赛类型统计

2022年度举办57场比赛，共吸引了全球6万人次参加，总共提交方案84万次，总奖金162万美元。

• Feature：工业赛赛题，难度较大

• Research：学术赛题，难度较大

• Playground：练习赛，难度适中

• Analytics：数据分析赛

• Getting Started：入门赛，难度较低

• Kernel赛题：通过Notebook提交的比赛

• 非Kernel赛题：通过Notebook & 文件提交的比赛

今年Kaggle比赛按照比赛任务可划分有7个方向，其中数据挖掘和计算机视觉占比较多：

• 大部分数据挖掘赛题来自Playground，没有比赛积分和奖牌

• 部分视觉比赛是Kernel赛题，而所有文本赛题是Kernel赛题

• 今年金融量化比赛比往年多，但语音识别比赛比往年少

• 今年视觉赛题为语义分割赛题居多，纯分类赛题较少

Kaggle年度热门比赛

比赛名称	比赛方向	参赛人数	提交次数
Ubiquant Market Prediction	金融量化	1646	16151
Santa 2022 - The Christmas Card   Conundrum	组合优化	1312	11766
Kore 2022	强化学习	1003	9971
H&M   Personalized Fashion Recommendations	推荐系统	860	7235
UW-Madison   GI Tract Image Segmentation	计算机视觉	1176	8902
Feedback   Prize - English Language Learning	自然语言处理	886	5984
American Express -   Default Prediction	数据挖掘	1278	16346

参赛选手统计

Kaggle平台上男性选手占比为77%，和「Coggle」公众号性别占比相同。大部分的Kaggle用户在40岁，且20 – 30之间年轻人比较多

• 40%左右的Kaggle用户拥有硕士学历，高学历占比较多

• Coursera是Kaggle用户最偏爱的在线学习平台

参赛工具统计

Python是第一编程语言，其次是SQL和R。具统计Kaggle上R语言的Notebook在逐渐变少。

• Jupyter Notebook是最受欢迎的IDE，其次是VSCode

• Colab和Kaggle是最受欢迎的Notebook平台

• 机器学习库流行排序：scikit-learn、XGBoost、LightGBM、Catboost、Caret

• 深度学习库流行排序：TensorFlow、Keras、Pytorch、Jax

• 可视化库流行排序：Matplotlib、Seaborn、Plotly、ggplot2

比赛内容汇总

更多内容，请查看年鉴PDF。

Kaggle学习路径

【参赛建议】：数据挖掘类型

• 赛题难度：入门、进阶赛题居多

• 参赛建议：适合小白入门，对机器配置要求低

• 常见赛题方向：二分类、多分类、回归、时序预测

• 必备Python库：Pandas、Sklearn、XGBoost、LightGBM、CatBoost

• 常见模型：树模型和集成学习居多

【参赛建议】：计算机视觉类型

• 赛题难度：进阶和较难居多，需要GPU支持

• 参赛建议：适合学习深度学习入门，建议以分类赛题入门

• 常见赛题方向：图像多分类、细粒度分类、语义分割

• 必备Python库：Pytorch、TensorFlow、timm

• 常见模型：CNN模型、transformer模型

【学习资料】：XGBoost / LightGBM / CatBoost

XGBoost / LightGBM / CatBoost是高阶的树模型，是数据挖掘竞赛必备库。ü XGBoost使用案例，LightGBM使用案例，CatBoost使用案例

• 学习难度：⭐⭐⭐⭐⭐

• 【基础】能完成训练和与预测

• 【进阶】能进行交叉验证进行验证和预测，能使用Early Stop

• 【进阶】能使用GPU进行训练和预测，并对类别进行编码

• 【进阶】能对模型进行可视化，计算特征重要性，并进行特征筛选

• 【深入】理解模型超参数含义，会对模型进行调参

• 【深入】能自定义损失函数与评价函数

往期精彩回顾




适合初学者入门人工智能的路线及资料下载(图文+视频)机器学习入门系列下载机器学习及深度学习笔记等资料打印《统计学习方法》的代码复现专辑机器学习交流qq群955171419，加入微信群请扫码