zgaox2015 / kaggle

Kaggle 项目实战（教程） = 文档 + 代码 + 视频（欢迎参与）

Kaggle

Special Sponsors

你已经抓住了石头，现在是挥舞它的时候了！

• ApacheCN 组织资源: https://github.com/apachecn/home
• ApacheCN - 比赛学习群【724187166】
• Kaggle 是一个流行的数据科学竞赛平台。
• GitHub 入门操作指南 和 Kaggle 入门操作指南，适合于学习过 MachineLearning(机器学习实战) 的小盆友
• Kaggle 已被 Google 收购，请参阅《谷歌收购 Kaggle 为什么会震动三界（AI、机器学习、数据科学界）》

Note:

• 号外号外 kaggle组队开始啦
• 【Kaggle 入门篇】资源整理完毕，跟我们一起来学习吧！
• 关于 ApacheCN: 一边学习和整理，一边录制项目视频，希望能组建一个开源的公益团队对国内机器学习社区做一些贡献，同时也为装逼做准备!!

竞赛

• 【推荐】特征工程全过程: https://www.cnblogs.com/jasonfreak/p/5448385.html

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](https://www.kaggle.com/competitions?sortBy=dead

ne&group=all&page=1&pageSize=20&segment=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。

• 数字识别
• 泰坦尼克
• 房价预测
• nlp-情感分析

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。

• 猫狗识别

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。

第6部分： 大型组织比赛(大奖金) Featured

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。

• Mercari 价格推荐挑战
• Home Credit Default Risk

天池

• 天池入门教程: O2O优惠券-使用新人赛
• 天池第一名: O2O优惠券-预测用户领取优惠劵后是否核销

其他部分

• 数据集: 数据集，可直接用于机器学习。
• 核心**: 在线编程。（猜测，基于 jupyter 实现）
• 论坛: 发帖回帖讨论的平台
• 招聘: 企业招聘数据科学家的位置

解决方案列表

• 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。

联系方式

项目负责人

• @jiangzhonglian（片刻）

项目发起人

• @jiangzhonglian（片刻）
• @wangyangting（那伊抹微笑）
• @chenyyx（瑶妹）

项目贡献者（请手动添加）

• @jiangzhonglian（片刻）
• @wangyangting（那伊抹微笑）
• @chenyyx（瑶妹）
• @zehuichen(loveSnowBest)
• @谈笑风生（谈笑风生）
• @诺木人（诺木人）
• @飞龙

加入方式

有任何建议反馈, 或想参与文档翻译, 麻烦联系下面的企鹅

• 企鹅: 529815144(片刻) 1042658081(那伊抹微笑) 190442212(瑶妹)
• ApacheCN - 比赛学习群【724187166】
• Kaggle (数据科学竞赛平台) | ApacheCN(apache中文网)