为入门数据挖掘领域，我参加kaggle比赛积累经验，参加比赛时间21天，排名62/6660，达到top1。

image

image.png

1. 背景介绍

   image

   image.png

   大数据普及人们生活，因此，互联网公司提供各类应用解决人们生活所需，但是大数据也面临一些问题，为了集智，大数据挖掘者们通过大数据竞赛促进交流。

   image

   image.png

   Kaggle比赛是典型的代表，可以从三个方面了解。

   image.gif

   image.png

   参加kaggle比赛，不可避免用下以下工具。

   image

   image.png

参加Kaggle比赛流程如下：

image

image.png

2.案例讲解: Home Credit Default Risk
1)数据介绍
该数据集包括以下几个CSV文件，关系图如下图所示：

image

image.png

image

image.png

通过可视化，可以看到该数据集存在Unbalance现象，因此有必要开展数据清洗。

image

image.png

如图，可以看到数据中存在Missing value:

image

image.png

2)特征提取-手动
举例说明，application_train.csv的相关代码如下，其他几个CSV文件。

image

image.png

特征维度过高，存在冗余，因此，按照特征重要性可视化。

image

3)特征提取-自动

举例，通过下列代码可以建立数据间关系，自动生成特征:
Import featuretools as ft
es = ft.EntitySet(id=‘clients’)

image

image.png

image

image.png

1. 模型
   可选择模型如下，LightGBM具有较强的优势：
   LR
   Random forest
   Xgboost
   LightGBM

• 更快的训练效率

• 低内存使用

• 更好的准确率

• 支持并行学习

• 可处理大规模数据

4)超参数微调

目前，业界用的较多的方法分别是Grid search、Random search和Bayesian Optimization。
其中，Grid search和random search简单高效, 通常后者会表现出更好性能。
在参数空间维度较高时, Grid search和Random search会产生组合爆炸, 训练回合急剧增加, 尝试更高效的Bayesian optimization。

image

image.png

对比效果如下：

image

参考资料如下：

https://zhuanlan.zhihu.com/p/29923137
https://zhuanlan.zhihu.com/p/33903267
https://www.kaggle.com/plantsgo/kernels
https://www.kaggle.com/aharless/xgboost-cv-lb-284
https://zhuanlan.zhihu.com/p/31271282
https://zhuanlan.zhihu.com/p/35363444