Kaggle知识点：入门到进阶的10个问题-技术圈

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~

赛事交流群已成立

一起组队参赛，baseline交流分享

如果加入了之前的社群不需要重复添加！

“干货学习，点赞三连↓