Kaggle知识点

在我们之前的分享中我们大多以具体的竞赛案例，如某个竞赛的Top解决方案来讲解具体的比赛。那么是不是有更好的学习方法呢？

答案是肯定有，大部分Kaggle赛题都是相通或者类似的，还有一些通用的问题。

问题1：赛题是哪一种类型？

首先参加Kaggle竞赛，你需要知道有哪些具体的比赛类型。具体分类如下图所示，当然有多种分类方法。

最为主要的类型区别有：

• 赛题的提交方式（提交结果、Kernel）

• 赛题问题类型（CV、NLP或结构化）

问题2：赛题问题是什么？

在确定好赛题类型后，你应该仔细阅读赛题的Overview界面弄清楚的赛题的具体问题。当然赛题描述不会很明确的说出赛题具体问题，需要选手自行进行分辨。

在回答问题2时，需要弄清楚：

• 赛题是CV、NLP还是结构化中的哪一种？

• 赛题对应于学术问题的中哪一种？

• 赛题我之前见过吗？有代码或知识的积累？

• Kaggle有类似赛题任务吗，有选手分享吗？

问题3：赛题数据如何建模？

在弄清楚赛题类型和具体的问题后，需要弄清楚赛题问题的建模方式，这一点就涉及到具体的建模的方法和模型了。

当然也并不是所有的赛题都是新任务，Kaggler只需要熟知历史任务，并进行举一反三就可以了。在问题3你应该弄清楚：

• 问题有不同的建模方式，哪一种更加适合？

• 问题建模应该使用哪一个模型？

• 问题模型如何迭代，如何优化？

问题4：赛题数据的细节理解？

在了解了赛题的初步的任务和建模方法后，接下来就要深入到细节中了。你应该深入理解赛题数据的字段含义、字段产生方式和标签的产生方式。

对于结构化数据的每个字段：

• 字段的类型、含义是什么

• 字段与标签有什么关系？

在回答问题4时，可以从描述性数据分析和探索性数据分析两个角度来完成。赛题的理解决定了赛题的具体建模方式，是尤为关键的一点。

问题5：赛题使用什么模型？

问题5与问题3有点类似，但在问题5你应该回答的更加具体，

• 赛题具体使用到的模型是什么？

• 模型有哪些超参数可供选择？

• 有类似模型可以对比参考吗？

在回答问题5时，需要根据问题4的答案来进行接解决。首先根据赛题具体的数据类型，可以将赛题分为结构化赛题和非机构化赛题。同时在回答问题5时，你应该跑通或者写完baseline了。

问题6：模型处于那种阶段？

机器学习模型根据状态可以分为欠拟合和过拟合，当然你应该追求模型对测试集最好拟合的状态。

也就是说，你应该知道模型此时的状态。

• 如果模型是欠拟合你应该做什么？

• 如果模型是过拟合你应该做什么？

问题7：赛题上分点是什么？

当你回答完前面6个问题后，基本上你已经提交过一次答案，已经成功上榜了。但是这些还不够，与前排选手相比你的模型精度还有待优化。

因此你需要弄清楚：

• 前排选手与自己的精度差异在哪儿？

• 自己还能从哪些地方上分？

回答问题7最好的方法是阅读比赛论坛和相关论文，当然这些问题的具体答案只能自己回答自己了。从问题7开始，你开始真正的竞赛探索过程。

问题8：本地CV与线上得分？

在模型训练的过程中，本地验证集CV的得分非常重要。同时本地CV与线上得分的差异性也至关重要，也就是CV vs 线上（PB）。

在Kaggle每个比赛中，经常会有人对比自己CV与线上得分的差异性（gap）。这样对比的作用是：

• 寻找更好的本地CV得分；

• 寻找更加问题的gap；

通过问题8，你将会对赛题线上线下有初步的感知，这将会影响你的最终得分。当然分布需要细心观察，反复试验得到的。

问题9：赛题如何完成集成？

在不断回答自己问题的同时，你还需要考虑模型最终的集成问题。模型集成在有些Kaggle竞赛中非常重要，会带来精度增益。

但是模型集成是需要得分差异性，需要训练多个模型的：

• 如何完成stacking和简单的KFlod平均？

• 深度学习模型如何完成模型集成？

问题10：赛题如何完成总结？

最后的最后，在比赛完结后不管结果如何。希望你在阅读和反思比赛的历程后回答自己这些问题：

• 通过本次比赛我学习到什么？

• 我与前排选手差异在哪儿？

• 遇到下次类似比赛，我将如何行动？

参加比赛还是很耗费资源和时间，无论大家结果如何，希望大家都有所收获。希望大家都不要翻车~

往期精彩回顾适合初学者入门人工智能的路线及资料下载中国大学慕课《机器学习》（黄海广主讲）机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载本站qq群955171419，加入微信群请扫码：