Skip to content

Kaggle

你已经抓住了石头，现在是挥舞它的时候了！

Note:

直播系列

kaggle入门系列

比赛直播系列

Kaggle 官方教程

机器学习入门

补充

竞赛

train loss 与 test loss 结果分析

  • train loss 不断下降，test loss不断下降，说明网络仍在学习;
  • train loss 不断下降，test loss趋于不变，说明网络过拟合;
  • train loss 趋于不变，test loss不断下降，说明数据集100%有问题;
  • train loss 趋于不变，test loss趋于不变，说明学习遇到瓶颈，需要减小学习率或批量数目;
  • train loss 不断上升，test loss不断上升，说明网络结构设计不当，训练超参数设置不当，数据集经过清洗等问题。
机器学习比赛，奖金很高，业界承认分数。
现在我们已经准备好尝试 Kaggle 竞赛了，这些竞赛分成以下几个类别。

第1部分：课业比赛 InClass

课业比赛 InClass 是学校教授机器学习的老师留作业的地方，这里的竞赛有些会向public开放参赛，也有些仅仅是学校内部教学使用。

第2部分：入门比赛 Getting Started

入门比赛 Getting Started 给萌新们一个试水的机会，没有奖金，但有非常多的前辈经验可供学习。很久以前Kaggle这个栏目名称是101的时候，比赛题目还很多，但是现在只保留了9个最经典的入门竞赛：手写数字识别、沉船事故幸存估计、脸部识别、Julia语言入门。

第3部分：训练场 Playground

训练场 Playground里的题目以有趣为主，比如猫狗照片分类的问题。现在这个分类下的题目不算多，但是热度很高。

第4部分： 研究项目(少奖金) Research

研究型 Research 竞赛通常是机器学习前沿技术或者公益性质的题目。竞赛奖励可能是现金，也有一部分以会议邀请、发表论文的形式奖励。

第5部分：人才征募 Recruitment

人才征募 Recruitment 竞赛是赞助企业寻求数据科学家、算法设计人才的渠道。只允许个人参赛，不接受团队报名。

推荐比赛 Featured 是瞄准商业问题带有奖金的公开竞赛。如果有幸赢得比赛，不但可以获得奖金，模型也可能会被竞赛赞助商应用到商业实践中呢。

第7部分： 限量邀请赛 Masters（新）

Masters（新） 限量参与比赛（受邀）

第8部分： 多评估标准赛 Analytics（新）

Analytics（新） 选择最优评估标准来排名的比赛

天池

其他部分

  • 数据集: 数据集，可直接用于机器学习。
  • 核心思想: 在线编程。（猜测，基于 jupyter 实现）
  • 论坛: 发帖回帖讨论的平台
  • 学习 - 新: 最新发布的学习教程
  • 招聘: 企业招聘数据科学家的位置

解决方案列表

如果解决方案太大，可以先放在这个列表中。以后再逐步整合到这个仓库。

机器学习算法

常用算法选择

常用工具选择

解决问题的流程

  1. 链接场景和目标
  2. 链接评估准则
  3. 认识数据
  4. 数据预处理（清洗、调权）
  5. 特征工程
  6. 模型调参
  7. 模型状态分析
  8. 模型融合

数据预处理

  • 数据清洗
    • 去掉样本数据的异常数据。（比如连续型数据中的离群点）
    • 去除缺失大量特征的数据
  • 数据采样
    • 下/上采样（假设正负样本比例1:100，把正样本的数量重复100次，这就叫上采样，也就是把比例小的样本放大。下采样同理，把比例大的数据抽取一部分，从而使比例变得接近于1；1）
    • 保证样本均衡
  • 工具 sql、pandas等

特征工程

特征处理

  • 数值型：连续型数据离散化或者归一化、数据变化（log、指数、box-cox）
  • 类别型：做编码，eg：one-hot编码，如果类别数据有缺失，把缺失也作为一个类别即可。
  • 时间类：间隔化（距离某个节日多少天）、与其他特征（eg：次数）融合，变成一周登陆几次、离散化（eg：外卖，把时间分为【饭店、非饭店】）
  • 文本类：N-gram、Bag-of-words、TF-IDF
  • 统计型：与业务强关联
  • 组合特征

贡献指南

欢迎任何人参与和完善：一个人可以走的很快，但是一群人却可以走的更远

本项目接受大家提交 WriteUp（题解）。

WriteUp 需要带有预处理过程，从你能下载到的原始数据开始，并且带有验证过程和评价指标。

请放在/competitions/{分类}/{名称}目录下。

其中分类一共有六个，请见上面，名称是 URL 中/c/后面的部分。

回到顶部