【數(shù)據(jù)競(jìng)賽】競(jìng)賽常見問題解答

問題：Kaggle與國(guó)內(nèi)比賽有什么區(qū)別么？

Kaggle與國(guó)內(nèi)競(jìng)賽模式存在區(qū)別，比如Notebook平臺(tái)資源，其次Kaggle的分享機(jī)制比較好。

Kaggle整體面向全球，國(guó)內(nèi)人數(shù)也蠻多，整體難度也會(huì)更難。

問題：機(jī)器學(xué)習(xí)、深度學(xué)習(xí)算法方向，需要有多少數(shù)學(xué)基礎(chǔ)？

大學(xué)數(shù)學(xué)的基礎(chǔ)即可，特別是線性代數(shù)、矩陣計(jì)算?？梢远嚓P(guān)注如何計(jì)算和求導(dǎo)的過程，其他的過程可以之后用到再學(xué)。

問題：CV方面輕量化transformer有哪些idea，可以從哪些方面入手，可以不使用官方預(yù)訓(xùn)練評(píng)判模型效果嗎？

答：transformer在推薦系統(tǒng)和CV中有使用，具體可以參考CNN輕量化的思路。

問題：lightgbm如何調(diào)參？

可以關(guān)注比較核心的參數(shù)：https://lightgbm.readthedocs.io/en/latest/Parameters-Tuning.html

同時(shí)也建議多去理解模型的參數(shù)含義，以及參數(shù)如何影響模型的精度。

問題：stacking具體的細(xì)節(jié)能講講嗎？

按照如下交叉驗(yàn)證的思路進(jìn)行，每個(gè)模型對(duì)訓(xùn)練集和測(cè)試集增加一列特征，迭代進(jìn)行。

問題：智能科學(xué)與技術(shù)專業(yè)大四在讀，老師說畢業(yè)設(shè)計(jì)題目任選，且目前在準(zhǔn)備考研，想問關(guān)于選題有什么建議嗎？

首先建議考研方向和選題相關(guān)，其次本科畢業(yè)設(shè)計(jì)其實(shí)要求不是很多，要么是做應(yīng)用，要么是研究。

問題：能說一下，對(duì)于nan值的處理方法嗎？

你應(yīng)該知道數(shù)據(jù)是如何產(chǎn)生的，哪些特征對(duì)業(yè)務(wù)有影響，只有這樣你才能給出最好的數(shù)據(jù)結(jié)果。

具體參考我們之前的文章Kaggle知識(shí)點(diǎn)：缺失值處理方法

問題：怎么處理數(shù)據(jù)類別極度不均衡的情況？

可以從損失函數(shù)、樣本權(quán)重、評(píng)價(jià)指標(biāo)、數(shù)據(jù)采樣考慮。調(diào)節(jié)權(quán)重與采樣在概率部分存在區(qū)別，采樣后的模型的輸出概率需要校準(zhǔn)。

問題：回歸用什么損失函數(shù)比較好，訓(xùn)練后期進(jìn)行驗(yàn)證，驗(yàn)證集上指標(biāo)有1到3個(gè)點(diǎn)波動(dòng)正常嗎？

這個(gè)看看數(shù)據(jù)量和標(biāo)簽量級(jí)，從文字表達(dá)暫時(shí)看不出問題。

問題：如果構(gòu)造一個(gè)驗(yàn)證集？

首先分任務(wù)，時(shí)序任務(wù) & 非時(shí)序任務(wù)

• 時(shí)序任務(wù)：與測(cè)試集最近的一天 & 最相似的一天作為驗(yàn)證集
• 非時(shí)序任務(wù)：按照樣本的分布采樣驗(yàn)證集

問題：小白不知道怎么開始一個(gè)有質(zhì)量的競(jìng)賽

推薦先掌握pandas、sklearn工具，理論和工具不斷累計(jì)即可。

問題：結(jié)構(gòu)化數(shù)據(jù)中的文本特征應(yīng)該如何處理，（不采用nn，使用樹模型的話）

-?文本?->?分詞?-> TFIDF -> SVD/PCA/LDA降維
-?文本?->?嵌入?->?mean/max?pooling

問題：如何形成規(guī)模的代碼塊？

可以按照模型API、數(shù)據(jù)特征處理、特征編碼

問題：對(duì)數(shù)據(jù)比賽無(wú)從下手，該從什么地方開始好？或者很難在baseline上做提升，怎么辦？

如果無(wú)從下手，可以去嘗試做一個(gè)baseline。如果想對(duì)baseline做改進(jìn)，可以從驗(yàn)證集的分?jǐn)?shù)去分析，然后做改進(jìn)，可以參考類似的模型，或者添加業(yè)務(wù)特征。

問題：就那種用歷史數(shù)據(jù)預(yù)測(cè)未來數(shù)據(jù)時(shí)，如何構(gòu)造特征呢

序列的模式，趨勢(shì)、周期、相關(guān)性、隨機(jī)性 自回歸 & 多元回歸

問題：全是匿名字段的結(jié)構(gòu)化數(shù)據(jù)應(yīng)該怎么進(jìn)行特征構(gòu)造和eda探索呢。

首先看字段類型、看字段分布、相關(guān)性

問題：想請(qǐng)教水哥和魚佬，業(yè)內(nèi)通常是怎么做分布式訓(xùn)練的呀？

工業(yè)主要看庫(kù)和平臺(tái)，具體的方法有模型并行，數(shù)據(jù)并行和參數(shù)平均。

具體細(xì)節(jié)可以參考：《分布式機(jī)器學(xué)習(xí)：算法、理論與實(shí)踐》

問題：torch和tensorflow推薦？

初學(xué)者torch，tensorflow1.X比較多，paddlepaddle也是不錯(cuò)的選擇。

問題：在分類問題中，對(duì)于樹模型輸出的特征重要度里面有些重要度為0的特征，drop后auc下降了，那這類特征需要?jiǎng)h除嗎？

樹模型的特征重要性和最終的得分并不是一致的，這里可以通過模型包裹式來選擇特征。

問題：魚佬，你的書有推薦的閱讀路線嗎？小白讀的讀起來有點(diǎn)難懂。

如果數(shù)據(jù)集比較大可以用部分?jǐn)?shù)據(jù)集進(jìn)行訓(xùn)練，小白建議按照章節(jié)依次閱讀。