实战天池精准医疗大赛——观看答辩总结

1. 说明

 今天是天池精准医疗大赛（糖尿病预测）的最终答辩，学习了一下前六名的经验分享．把自己没想到的列出来，如下．

2. 特征

(1) 多特征组合：
一般是现有特征加减乘除的组合，在特征多的情况下，先取强特征相互组合
．
(2) 数据分析：
常用分析方法：IV值分析（information value），方差，残差，单变量分析，PCA等等．
特征的相关性与去冗余：特征和结果的相关性分析可能找不出一些非线性相关，但是特征之间的强相关，可以帮助去掉一些冗余．
小数据集中某些特征，可能引起过拟合．

(3) 缺失值填充：
Nuclear，MICE，最近邻填充．
对于不同缺失比例，可使用不同方法填充．

(4) 单指标特征概率相对分布图
衡量单变量在取值变化过程中，正负样本比例随取值变化的一个相对变化程度的总结（这个值与相关性差别很大）．可以在去掉和不去掉缺失值的情况下，分别统计．
连续特征／离散特征使用不同的统计方法：QQPlot，四分位图．

(5) 将不同特征划分为不同的训练集和测试集．
这可能是一种人为的预分类．

3. 算法

(1) 因子分解机FM

(2) 适合小数据量的catboost模型

(3) 用遗传算法调参

(4) 模型级联
先用A算法筛，筛出的疑似再用其它算法筛．
弱模型组合时需要注意模型差异性．

(5) 分类时可用回归模型，回归时可用分类模型

4. 最终结果处理

(1) 把重要数据和规则存下来，在没模型的情况下也能使用．

(2) 除了精确度，还要考虑实例数量，如某种情况下可能100%得病，但人数少．