标签： Competition Preparation
-
Kaggle模型集成：先检查错误是否互补，再决定要不要融合
很多参赛者盲目堆叠模型导致分数下降。本文通过两个对比教学案例演示如何分析预测误差分布，判断模型间是否存在互补性…
-
Kaggle实验管理：让特征、参数与验证结果能够一一对应
用可复现的实验管理方法，让Kaggle竞赛中的特征工程、超参数调整与验证分数形成可追溯的对应关系，避免”改了什…
-
Kaggle类别不平衡：为什么高准确率可能掩盖关键错误
在Kaggle竞赛中，面对类别不平衡数据，单纯追求高准确率往往会导致模型忽略少数类。本文通过具体算例解析这一陷…
-
Kaggle特征消融实验：怎样判断新增特征是真的有用
在Kaggle竞赛中，盲目添加特征往往导致过拟合。本文通过两个假设案例演示特征消融实验的正确流程，帮助参赛者识…
-
Kaggle分组交叉验证：同一用户出现在训练集和验证集怎么办
当Kaggle竞赛数据中同一用户的多条记录分散到训练集和验证集时，标准交叉验证会高估模型表现。本文通过两个假设…
-
Kaggle时间序列验证：随机切分为什么可能高估模型效果
在Kaggle数据科学竞赛中，针对时间序列数据的随机切分往往导致“未来信息泄露”，使本地验证分数虚高。本文通过…