“Datawhale AI夏令营“ 机器学习

       学习链接科大讯飞AI大赛（机器学习方向） - Datawhale

       本次深度学习的主题内容是用户预测，首先看输入与输出，输入为多维用户信息数据，输出为是否为新用户。在这里我学习到了一点，就是要探索测试集与训练集之间是否存在关联，就比如此处，测试集中93%的用户出现在训练集中，这点值得我们注意，如果在训练完后不做处理直接测试的话会发生伪正确率的情况。

       以下是datawhale的开源者们分享的设计思路表格

模块	具体设计	参考依据/方法论
特征设计	提取时间特征（如时段、停留时长等）	用户行为分析理论（行为模式捕捉）
模型选择	采用LightGBM	• 模型稳定性高 • 训练效率快 • 数据预处理需求低
	五折交叉验证	Scikit-learn最佳实践
阈值优化	基于F1-score动态调整分类阈值	精确率-召回率平衡策略

       从中我们就可以总结出来，对于这样的结合信息分类问题，我们的思路是特征工程+分类算法+验证。

       基于此思路我们可以想到构建用户的不同特征集合，包括时间特征，行为特征，统计特征等，对于不同的特征我们可以进行聚合后采用lightgbm模型。文中将用户的行为特征进行了分层建模，因为这是一个交互事件，问题被拆解为两层，用户层和事件层，通过分层建模捕捉用户级特征与事件级特征的交互。后续也提供了一些思路包括目标编码特征构建、TF-IDF信息挖掘、聚合特征构建等，我认为还可以使用不同的模型分别处理不同的特征，最后再对不同模型求取权重，得到最后的结果。