一、厘清问题
厘清特征、预测目标、损失函数、数据集
二、数据EDA
- 对各数据分布(pdf)做展示,对训练集测试集中分布不均的特征做删除或者其他操作
- 查看特征间的相关性,对那些与target相关系数小于一定阈值的特征可以酌情删除
- 对数据做标准化(归一化、normal化)
三、特征工程
- 对特征做Box-Cox变换,对非正态分布的连续性特征进行改造,同时利用QQ图去观察其是否服从正态分布。
- 考虑对target变量(一般是时序性且方差递增的变量)做对数变换
- 模型构建以及集成学习:
- 构建train_set valid_set test_set,确定cost function
- 删除离群值(基于简单模型的预测,对loss超过残差分布3σ的样本做筛除;也可以用Extreme Tree等方法)
- 模型训练,参数调整(网格搜索、随机搜索)