顶级的Kaggler都有自己的一套问题解决流程，熟悉这些套路能极大提高求解问题的效率。今天我们来看一下目前Kaggle总排名第四的kazanova总结出来的一套解题套路。
具体如下：
下面分别看一下各阶段主要做什么事情：
- 理解问题
- 这是个什么问题。分类还是回归，预测还是优化，需要有一个直观理解。
- 数据特征。图像数据，文本数据还是声音数据，数据集是表格数据么，是否是与时间相关的。
- 数据规模。从而可能需要准备什么样的软硬件，需不需要用GPU， 大概需要用多少内存以及硬盘。
- 探索性数据分析
- 画出每个变量的直方图，看一下训练集及测试集的分布相似程度，
- 画出特征变量相对于目标变量的关系图，特征变量相对于时间的变化图（如果是时间序列问题） 通过看数据分布可以导出相应的交叉验证策略。
- 制定交叉验证（CV）策略 在对数据充分理解基础上，要确定验证策略，这一步非常重要，实际上很多排名靠前的方案最主要就是因为找到了正确的CV策略。可以从以下几点思考：
- 时间是否是个重要的变量。如果是需要根据时间做训练集测试集的分割，且要注意要用历史数据来预测未来数据。
- 如果数据分布是分层的，是否要考虑用分层验证（Stratified Validation）
- 如果数据是随机分布的，是否考虑采用随机验证，如随机K折验证
- 特征工程 特征工程做的好坏在大多数竞赛问题中起到了决定性的作用，面对不同问题需要采取不同策略，具体思考方向如下。
- 图像识别：考虑正规化（scaling），平移(shifting)，翻转(rotation)以及CNN。 参考https://www.kaggle.com/c/data-science-bowl-2018
- 声音识别：傅立叶变换（Fourier），mfcc, 波普分析（specgram），正规化。 参考https://www.kaggle.com/c/tensorflow-speech-recognition-challenge
- 文本分类：Tf-idf, svd, Stemming, 拼写检查（spell checking）, stop words’ removal, x-grams 。参考https://www.kaggle.com/c/stumbleupon/overview
- 时间序列： 时间延迟（Lags）,加权平均（weighted average）, 指数平滑（expotional smoothing） 。参考https://www.kaggle.com/c/walmart-recruiting-store-sales-forecasting
- 类别数据：目标特征，频率，one-hot， 顺序，label encoding。 参考https://www.kaggle.com/c/amazon-employee-access-challenge
- 数字数据：正规化，绑定（binning）, 求导（derivatives），离群值（outlier remove）,降纬。参考 https://www.kaggle.com/c/afsis-soil-properties/overview
- 交互数据：相乘，相除，相加，groupby。 参照https://www.kaggle.com/c/homesite-quote-conversion
- 推荐系统: 历史交易数据，货品流行程度，购买频度。参考https://www.kaggle.com/c/acquire-valued-shoppers-challenge
- 方法建模 类似于特征工程， 根据不同问题有不同的建模策略
- 图像识别：CNN(ResNet, VGG)
- 声音识别：CNNs(CRNN), LSTM
- 文本分类：GBM, Linear, DL, Naive Bayes, KNNs, LibFM, Libffm
- 时间序列： Augtoregressive, ARIMA, Linear, GBMs, DL, LSTMs
- 类别数据：GBMs, Linear, DL, LibFM, Libffm
- 数字数据：GBMs, Linear, DL, SVMs
- 交互数据：GBMs, Linear, DL
- 推荐系统: CF, DL, LibFM, Libffm, GBMs
应用中每种方法独立运行评估， 在不同的数据集上评估，可考虑做bagging.
- 集成学习
这个阶段邻近竞赛结束，此时已经保存了基于不同方法的预测结果，可根据这些结果做有机整合争取最优化预测模型并提交。有多种集成学习策略，比如针对小数据集可以考虑简单的平均化（averaging）， 对于大规模数据集可以考虑做stacking。