数据竞赛技巧

1.对预测结果进行处理

• 可分别用K折交叉预测和全部数据分别做模型，然后按照一定权重（如8：2）对结果进行集成
• 多模型stacking(投票、平均、加权、输入下一层模型)

线上结果加权：通过每个模型的线上成绩进行加权,线上分数高的权重就高,线上成绩相对低的权重就低,最终将加权的结果作为最终的结果(需保证所有的结果的 权重之和为1).

2.特征处理

基本方法

• 以ID为主键进行聚合，min() max() mean() skew() std() sum()
• 以各特征列为基础进行聚合，然后以映射的形式和主表合并

data.groupby(col)['ID'].nunique()
data.groupby(col)['day'].min()
data.groupby(col)['day'].max()

Multivalue(多值特征)

sample1: 123,1245,124,012

• CounterVector，转为词频
• w2v转为向量

Time(时间特征)

对结果有较强影响的时间属性，具有趋势性，季节性以及周期性

• 基于时间的stacking
• 提取月、日、星期、小时

对结果无影响的时间属性

CAT(类别特征)

拥有相对大小的CAT特征,例如年龄段

没有相对大小的CAT特征,例如颜色等

• 将类别映射为出现的次数

dic = data[cat].value_counts().to_dict()
data[cat+'_count'] = data[cat].apply(lambda x:dic[x])

NUM(数值特征)

相同物理意义的NUM特征，如不同月份的贷款，可相加减

• NUM1 + NUM2
• NUM1 * NUM2
• NUM1 / NUM2
• NUM1 - NUM2
• (NUM1 - NUM2) /NUM3
• (NUM1 + NUM2) /NUM3
• (NUM1 - NUM2) * NUM3
• (NUM1 + NUM2) * NUM3

不同物理意义的NUM特征，加减无意义