個人首頁：http://hellogod.cn
本文轉自微信公衆号【 騰訊全球高校算法大賽】 原作者： 陳成龍
版權歸作者所有
作者簡介
Kaggle 于 2010 年創立，專注資料科學，機器學習競賽的舉辦，是全球最大的資料科學社群和資料競賽平台。筆者從 2013 年開始，陸續參加了多場 Kaggle上面舉辦的比賽，相繼獲得了 CrowdFlower 搜尋相關性比賽第一名（1326支隊伍）和 HomeDepot 商品搜尋相關性比賽第三名（2125支隊伍），曾在 Kaggle 資料科學家排行榜排名全球第十，國内第一。筆者目前在騰訊社交與效果廣告部任職資料挖掘工程師，負責 Lookalike 相似人群擴充相關工作。此文分享筆者在參加資料挖掘比賽過程中的一點心得體會。
1.
Kaggle 基本介紹
Kaggle 于 2010 年創立，專注資料科學，機器學習競賽的舉辦，是全球最大的資料科學社群和資料競賽平台。在 Kaggle 上，企業或者研究機構釋出商業和科研難題，懸賞吸引全球的資料科學家，通過衆包的方式解決模組化問題。而參賽者可以接觸到豐富的真實資料，解決實際問題，角逐名次，赢取獎金。諸如 Google，Facebook，Microsoft 等知名科技公司均在 Kaggle 上面舉辦過資料挖掘比賽。2017年3月，Kaggle 被 Google CloudNext 收購。
1.1 參賽方式
可以以個人或者組隊的形式參加比賽。組隊人數一般沒有限制，但需要在 Merger Deadline 前完成組隊。為了能參與到比賽中，需要在 Entry Deadline 前進行至少一次有效送出。最簡單地，可以直接送出官方提供的 Sample Submission。關于組隊，建議先單獨個人進行資料探索和模型建構，以個人身份進行比賽，在比賽後期（譬如離比賽結束還有 2~3 周）再進行組隊，以充分發揮組隊的效果（類似于模型內建，模型差異性越大，越有可能有助于效果的提升，超越單模型的效果）。當然也可以一開始就組好隊，友善分工協作，讨論問題和碰撞火花。
Kaggle 對比賽的公正性相當重視。在比賽中，每個人隻允許使用一個賬号進行送出。在比賽結束後 1~2 周内，Kaggle 會對使用多賬号送出的 Cheater 進行剔除（一般會對 Top 100 的隊伍進行 Cheater Detection）。在被剔除者的 Kaggle 個人頁面上，該比賽的成績也會被删除，相當于該選手從沒參加過這個比賽。此外，隊伍之間也不能私自分享代碼或者資料，除非在論壇上面公開釋出。
比賽一般隻送出測試集的預測結果，無需送出代碼。每人（或每個隊伍）每天有送出次數的限制，一般為2次或者5次，在 Submission 頁面會有提示。
1.2 比賽獲獎
Kaggle 比賽獎金豐厚，一般前三名均可以獲得獎金。在最近落幕的第二屆 National Data Science Bowl 中，總獎金池高達 100W 美刀，其中第一名可以獲得 50W 美刀的獎勵，即使是第十名也能收獲 2.5W 美刀的獎金。
獲獎的隊伍需要在比賽結束後 1~2 周内，準備好可執行的代碼以及 README，算法說明文檔等送出給 Kaggle 來進行獲獎資格的稽核。Kaggle 會邀請獲獎隊伍在 Kaggle Blog 中發表 Interview，來分享比賽故事和經驗心得。對于某些比賽，Kaggle 或者主辦方會邀請獲獎隊伍進行電話/視訊會議，獲獎隊伍進行 Presentation，并與主辦方團隊進行交流。
1.3 比賽類型
從 Kaggle 提供的官方分類來看，可以劃分為以下類型（如下圖1所示）：
◆ Featured：商業或科研難題，獎金一般較為豐厚；
◆ Recruitment：比賽的獎勵為面試機會；
◆ Research：科研和學術性較強的比賽，也會有一定的獎金，一般需要較強的領域和專業知識；
◆ Playground：提供一些公開的資料集用于嘗試模型和算法；
◆ Getting Started：提供一些簡單的任務用于熟悉平台和比賽；
◆ In Class：用于課堂項目作業或者考試。
圖1. Kaggle 比賽類型
從領域歸屬劃分：包含搜尋相關性，廣告點選率預估，銷量預估，貸款違約判定，癌症檢測等。
從任務目标劃分：包含回歸，分類（二分類，多分類，多标簽），排序，混合體（分類+回歸）等。
從資料載體劃分：包含文本，語音，圖像和時序序列等。
從特征形式劃分：包含原始資料，明文特征，脫敏特征（特征的含義不清楚）等。
1.4 比賽流程
一個資料挖掘比賽的基本流程如下圖2所示，具體的子產品我将在下一章進行展開陳述。
圖2. 資料挖掘比賽基本流程
這裡想特别強調的一點是，Kaggle 在計算得分的時候，有Public Leaderboard (LB)和 Private LB 之分。具體而言，參賽選手送出整個測試集的預測結果，Kaggle 使用測試集的一部分計算得分和排名，實時顯示在 Public LB上，用于給選手提供及時的回報和動态展示比賽的進行情況；測試集的剩餘部分用于計算參賽選手的最終得分和排名，此即為 Private LB，在比賽結束後會揭曉。用于計算 Public LB 和 Private LB 的資料有不同的劃分方式，具體視比賽和資料的類型而定，一般有随機劃分，按時間劃分或者按一定規則劃分。
這個過程可以概括如下圖3所示，其目的是避免模型過拟合，以得到泛化能力好的模型。如果不設定 Private LB（即所有的測試資料都用于計算 Public LB），選手不斷地從 Public LB（即測試集）中獲得回報，進而調整或篩選模型。這種情況下，測試集實際上是作為驗證集參與到模型的建構和調優中來。Public LB上面的效果并非是在真實未知資料上面的效果，不能可靠地反映模型的效果。劃分 Public LB 和 Private LB 這樣的設定，也在提醒參賽者，我們模組化的目标是要獲得一個在未知資料上表現良好的模型，而并非僅僅是在已知資料上效果好。
圖3. 劃分 Public LB 和 Private LB的目的
（圖參考 Owenzhang 的分享 [1]）
* 2.*
資料挖掘比賽基本流程
從上面圖2可以看到，做一個資料挖掘比賽，主要包含了資料分析，資料清洗，特征工程，模型訓練和驗證等四個大的子產品，以下來一一對其進行介紹。
2.1 資料分析
資料分析可能涉及以下方面：
◆ 分析特征變量的分布
◇ 特征變量為連續值：如果為長尾分布并且考慮使用線性模型，可以對變量進行幂變換或者對數變換。
◇ 特征變量為離散值：觀察每個離散值的頻率分布，對于頻次較低的特征，可以考慮統一編碼為“其他”類别。
◆ 分析目标變量的分布
◇ 目标變量為連續值：檢視其值域範圍是否較大，如果較大，可以考慮對其進行對數變換，并以變換後的值作為新的目标變量進行模組化（在這種情況下，需要對預測結果進行逆變換）。一般情況下，可以對連續變量進行Box-Cox變換。通過變換可以使得模型更好的優化，通常也會帶來效果上的提升。
◇ 目标變量為離散值：如果資料分布不平衡，考慮是否需要上采樣/下采樣；如果目标變量在某個ID上面分布不平衡，在劃分本地訓練集和驗證集的時候，需要考慮分層采樣（Stratified Sampling）。
◆ 分析*變量之間兩兩的分布和相關度*
◇ 可以用于發現高相關和共線性的特征。
通過對資料進行探索性分析（甚至有些情況下需要肉眼觀察樣本），還可以有助于啟發資料清洗和特征抽取，譬如缺失值和異常值的處理，文本資料是否需要進行拼寫糾正等。
2.2 資料清洗
資料清洗是指對提供的原始資料進行一定的加工，使得其友善後續的特征抽取。其與特征抽取的界限有時也沒有那麼明确。常用的資料清洗一般包括：
◆ 資料的拼接
◇ 提供的資料散落在多個檔案，需要根據相應的鍵值進行資料的拼接。
◆ 特征缺失值的處理
◇ 特征值為連續值：按不同的分布類型對缺失值進行補全：偏正态分布，使用均值代替，可以保持資料的均值；偏長尾分布，使用中值代替，避免受 outlier 的影響；
◇ 特征值為離散值：使用衆數代替。
◆ 文本資料的清洗
◇ 在比賽當中，如果資料包含文本，往往需要進行大量的資料清洗工作。如去除HTML 标簽，分詞，拼寫糾正, 同義詞替換，去除停詞，抽詞幹，數字和機關格式統一等。
2.3 特征工程
有一種說法是，特征決定了效果的上限，而不同模型隻是以不同的方式或不同的程度來逼近這個上限。這樣來看，好的特征輸入對于模型的效果至關重要，正所謂”Garbage in, garbage out”。要做好特征工程，往往跟領域知識和對問題的了解程度有很大的關系，也跟一個人的經驗相關。特征工程的做法也是Case by Case，以下就一些點，談談自己的一些看法。
2.3.1 特征變換
主要針對一些長尾分布的特征，需要進行幂變換或者對數變換，使得模型（LR或者DNN）能更好的優化。需要注意的是，Random Forest 和 GBDT 等模型對單調的函數變換不敏感。其原因在于樹模型在求解分裂點的時候，隻考慮排序分位點。
2.3.2 特征編碼
對于離散的類别特征，往往需要進行必要的特征轉換/編碼才能将其作為特征輸入到模型中。常用的編碼方式有 LabelEncoder，OneHotEncoder（sklearn裡面的接口）。譬如對于”性别”這個特征（取值為男性和女性），使用這兩種方式可以分别編碼為{0,1}和{[1,0], [0,1]}。
對于取值較多（如幾十萬）的類别特征（ID特征），直接進行OneHotEncoder編碼會導緻特征矩陣非常巨大，影響模型效果。可以使用如下的方式進行處理：
◆ 統計每個取值在樣本中出現的頻率，取 Top N 的取值進行 One-hot 編碼，剩下的類别分到“其他“類目下，其中 N 需要根據模型效果進行調優；
◆ 統計每個 ID 特征的一些統計量（譬如曆史平均點選率，曆史平均浏覽率）等代替該 ID 取值作為特征，具體可以參考 Avazu 點選率預估比賽第二名的獲獎方案；
◆ 參考 word2vec 的方式，将每個類别特征的取值映射到一個連續的向量，對這個向量進行初始化，跟模型一起訓練。訓練結束後，可以同時得到每個ID的Embedding。具體的使用方式，可以參考 Rossmann 銷量預估競賽第三名的獲獎方案，https://github.com/entron/entity-embedding-rossmann。
對于 Random Forest 和 GBDT 等模型，如果類别特征存在較多的取值，可以直接使用 LabelEncoder 後的結果作為特征。
2.4 模型訓練和驗證
*2.4.1 模型選擇*
在處理好特征後，我們可以進行模型的訓練和驗證。
◆ 對于稀疏型特征（如文本特征，One-hot的ID類特征），我們一般使用線性模型，譬如 Linear Regression 或者 Logistic Regression。Random Forest 和 GBDT 等樹模型不太适用于稀疏的特征，但可以先對特征進行降維（如PCA，SVD/LSA等），再使用這些特征。稀疏特征直接輸入 DNN 會導緻網絡 weight 較多，不利于優化，也可以考慮先降維，或者對 ID 類特征使用 Embedding 的方式；
◆ 對于稠密型特征，推薦使用 XGBoost 進行模組化，簡單易用效果好；
◆ 資料中既有稀疏特征，又有稠密特征，可以考慮使用線性模型對稀疏特征進行模組化，将其輸出與稠密特征一起再輸入 XGBoost/DNN 模組化，具體可以參考2.5.2節 Stacking 部分。
2.4.2 調參和模型驗證
對于標明的特征和模型，我們往往還需要對模型進行超參數的調優，才能獲得比較理想的效果。調參一般可以概括為以下三個步驟：
1. 訓練集和驗證集的劃分。根據比賽提供的訓練集和測試集，模拟其劃分方式對訓練集進行劃分為本地訓練集和本地驗證集。劃分的方式視具體比賽和資料而定，常用的方式有：
a) 随機劃分：譬如随機采樣 70% 作為訓練集，剩餘的 30% 作為測試集。在這種情況下，本地可以采用 KFold 或者 Stratified KFold 的方法來構造訓練集和驗證集。
b) 按時間劃分：一般對應于時序序列資料，譬如取前 7 天資料作為訓練集，後 1 天資料作為測試集。這種情況下，劃分本地訓練集和驗證集也需要按時間先後劃分。常見的錯誤方式是随機劃分，這種劃分方式可能會導緻模型效果被高估。
c) 按某些規則劃分：在 HomeDepot 搜尋相關性比賽中，訓練集和測試集中的 Query 集合并非完全重合，兩者隻有部分交集。而在另外一個相似的比賽中（CrowdFlower 搜尋相關性比賽），訓練集和測試集具有完全一緻的 Query 集合。對于 HomeDepot 這個比賽中，訓練集和驗證集資料的劃分，需要考慮 Query 集合并非完全重合這個情況，其中的一種方法可以參考第三名的獲獎方案，https://github.com/ChenglongChen/Kaggle_HomeDepot。
2. 指定參數空間。在指定參數空間的時候，需要對模型參數以及其如何影響模型的效果有一定的了解，才能指定出合理的參數空間。譬如DNN或者XGBoost中學習率這個參數，一般就選 0.01 左右就 OK 了（太大可能會導緻優化算法錯過最優化點，太小導緻優化收斂過慢）。再如 Random Forest，一般設定樹的棵數範圍為 100~200 就能有不錯的效果，當然也有人固定數棵數為 500，然後隻調整其他的超參數。
3. 按照一定的方法進行參數搜尋。常用的參數搜尋方法有，Grid Search，Random Search以及一些自動化的方法（如 Hyperopt）。其中，Hyperopt 的方法，根據曆史已經評估過的參數組合的效果，來推測本次評估使用哪個參數組合更有可能獲得更好的效果。有關這些方法的介紹和對比，可以參考文獻 [2]。
2.4.3 适當利用 Public LB 的回報
在2.4.2節中我們提到本地驗證（Local Validation）結果，當将預測結果送出到 Kaggle 上時，我們還會接收到 Public LB 的回報結果。如果這兩個結果的變化趨勢是一緻的，如 Local Validation 有提升，Public LB 也有提升，我們可以借助 Local Validation 的變化來感覺模型的演進情況，而無需靠大量的 Submission。如果兩者的變化趨勢不一緻，需要考慮2.4.2節中提及的本地訓練集和驗證集的劃分方式，是否跟訓練集和測試集的劃分方式一緻。
另外，在以下一些情況下，往往 Public LB 回報亦會提供有用資訊，适當地使用這些回報也許會給你帶來優勢。如圖4所示，(a)和(b)表示資料與時間沒有明顯的關系（如圖像分類），(c)和(d)表示資料随時間變化（如銷量預估中的時序序列）。(a)和(b)的差別在于，訓練集樣本數相對于 Public LB 的量級大小，其中(a)中訓練集樣本數遠超于 Public LB 的樣本數，這種情況下基于訓練集的 Local Validation 更可靠；而(b)中，訓練集數目與 Public LB 相當，這種情況下，可以結合 Public LB 的回報來指導模型的選擇。一種融合的方式是根據 Local Validation 和 Public LB 的樣本數目，按比例進行權重。譬如評估标準為正确率，Local Validation 的樣本數為 N_l，正确率為 A_l；Public LB 的樣本數為 N_p，正确率為 A_p。則可以使用融合後的名額：（N_l * A_l + N_p * A_p）/(N_l + N_p)，來進行模型的篩選。對于(c)和(d)，由于資料分布跟時間相關，很有必要使用 Public LB 的回報來進行模型的選擇，尤其對于(c)圖所示的情況。
圖4. 适當利用 Public LB 的回報
（圖參考 Owenzhang 的分享 [1]）
2.5 模型內建
如果想在比賽中獲得名次，幾乎都要進行模型內建（組隊也是一種模型內建）。關于模型內建的介紹，已經有比較好的博文了，可以參考 [3]。在這裡，我簡單介紹下常用的方法，以及個人的一些經驗。
2.5.1 Averaging 和 Voting
直接對多個模型的預測結果求平均或者投票。對于目标變量為連續值的任務，使用平均；對于目标變量為離散值的任務，使用投票的方式。
2.5.2 Stacking
圖5. 5-Fold Stacking
（圖參考 Jeong-Yoon Lee 的分享 [4]）
圖5展示了使用 5-Fold 進行一次 Stacking 的過程（當然在其上可以再疊加 Stage 2, Stage 3 等）。其主要的步驟如下：
1. 資料集劃分。将訓練資料按照5-Fold進行劃分（如果資料跟時間有關，需要按時間劃分，更一般的劃分方式請參考3.4.2節，這裡不再贅述）；
2. 基礎模型訓練 I（如圖5第一行左半部分所示）。按照交叉驗證（Cross Validation）的方法，在訓練集（Training Fold）上面訓練模型（如圖灰色部分所示），并在驗證集（Validation Fold）上面做預測，得到預測結果（如圖黃色部分所示）。最後綜合得到整個訓練集上面的預測結果（如圖第一個黃色部分的CV Prediction所示）。
3. 基礎模型訓練 II（如圖5第二和三行左半部分所示）。在全量的訓練集上訓練模型（如圖第二行灰色部分所示），并在測試集上面做預測，得到預測結果（如圖第三行虛線後綠色部分所示）。
4. Stage 1 模型內建訓練 I（如圖5第一行右半部分所示）。将步驟 2 中得到的 CV Prediction 當作新的訓練集，按照步驟 2 可以得到 Stage 1模型內建的 CV Prediction。
5. Stage 1 模型內建訓練 II（如圖5第二和三行右半部分所示）。将步驟 2 中得到的 CV Prediction 當作新的訓練集和步驟 3 中得到的 Prediction 當作新的測試集，按照步驟 3 可以得到 Stage 1 模型內建的測試集 Prediction。此為 Stage 1 的輸出，可以送出至 Kaggle 驗證其效果。
在圖5中，基礎模型隻展示了一個，而實際應用中，基礎模型可以多種多樣，如SVM，DNN，XGBoost 等。也可以相同的模型，不同的參數，或者不同的樣本權重。重複4和5兩個步驟，可以相繼疊加 Stage 2, Stage 3 等模型。
2.5.3 Blending
Blending 與 Stacking 類似，但單獨留出一部分資料（如 20%）用于訓練 Stage X 模型。
2.5.4 Bagging Ensemble Selection
Bagging Ensemble Selection [5] 是我在 CrowdFlower 搜尋相關性比賽中使用的方法，其主要的優點在于可以以優化任意的名額來進行模型內建。這些名額可以是可導的（如 LogLoss 等）和不可導的（如正确率，AUC，Quadratic Weighted Kappa等）。它是一個前向貪婪算法，存在過拟合的可能性，作者在文獻 [5] 中提出了一系列的方法（如 Bagging）來降低這種風險，穩定內建模型的性能。使用這個方法，需要有成百上千的基礎模型。為此，在 CrowdFlower 的比賽中，我把在調參過程中所有的中間模型以及相應的預測結果保留下來，作為基礎模型。這樣做的好處是，不僅僅能夠找到最優的單模型（Best Single Model），而且所有的中間模型還可以參與模型內建，進一步提升效果。
2.6 自動化架構
從上面的介紹可以看到，做一個資料挖掘比賽涉及到的子產品非常多，若有一個較自動化的架構會使得整個過程更加的高效。在 CrowdFlower 比賽較前期，我對整一個項目的代碼架構進行了重構，抽象出來特征工程，模型調參和驗證，以及模型內建等三大子產品，極大的提高了嘗試新特征，新模型的效率，也是我最終能斬獲名次的一個有利因素。這份代碼開源在 Github 上面，目前是 Github 有關 Kaggle 競賽解決方案的 Most Stars，位址：https://github.com/ChenglongChen/Kaggle_CrowdFlower。
其主要包含以下部分：
1. 子產品化特征工程
a) 接口統一，隻需寫少量的代碼就能夠生成新的特征；
b) 自動将單獨的特征拼接成特征矩陣。
2. 自動化模型調參和驗證
a) 自定義訓練集和驗證集的劃分方法；
b) 使用 Grid Search / Hyperopt 等方法，對特定的模型在指定的參數空間進行調優，并記錄最佳的模型參數以及相應的性能。
3. 自動化模型內建
a) 對于指定的基礎模型，按照一定的方法（如Averaging/Stacking/Blending 等）生成內建模型。
3.
Kaggle競賽方案盤點
到目前為止，Kaggle 平台上面已經舉辦了大大小小不同的賽事，覆寫圖像分類，銷量預估，搜尋相關性，點選率預估等應用場景。在不少的比賽中，獲勝者都會把自己的方案開源出來，并且非常樂于分享比賽經驗和技巧心得。這些開源方案和經驗分享對于廣大的新手和老手來說，是入門和進階非常好的參考資料。以下筆者結合自身的背景和興趣，對不同場景的競賽開源方案作一個簡單的盤點，總結其常用的方法和工具，以期啟發思路。
3.1 圖像分類
3.1.1 任務名稱
National Data Science Bowl
3.1.2 任務詳情
随着深度學習在視覺圖像領域獲得巨大成功，Kaggle 上面出現了越來越多跟視覺圖像相關的比賽。這些比賽的釋出吸引了衆多參賽選手，探索基于深度學習的方法來解決垂直領域的圖像問題。NDSB就是其中一個比較早期的圖像分類相關的比賽。這個比賽的目标是利用提供的大量的海洋浮遊生物的二值圖像，通過構模組化型，進而實作自動分類。
3.1.3 獲獎方案
● 1st place：Cyclic Pooling + Rolling Feature Maps + Unsupervised and Semi-Supervised Approaches。值得一提的是，這個隊伍的主力隊員也是Galaxy Zoo行星圖像分類比賽的第一名，其也是Theano中基于FFT的Fast Conv的開發者。在兩次比賽中，使用的都是 Theano，而且用的非常溜。方案連結：http://benanne.github.io/2015/03/17/plankton.html
● 2nd place：Deep CNN designing theory + VGG-like model + RReLU。這個隊伍陣容也相當強大，有前MSRA 的研究員Xudong Cao，還有大神Tianqi Chen，Naiyan Wang，Bing XU等。Tianqi 等大神當時使用的是 CXXNet（MXNet 的前身），也在這個比賽中進行了推廣。Tianqi 大神另外一個大名鼎鼎的作品就是 XGBoost，現在 Kaggle 上面幾乎每場比賽的 Top 10 隊伍都會使用。方案連結：https://www.kaggle.com/c/datasciencebowl/discussion/13166
● 17th place：Realtime data augmentation + BN + PReLU。方案連結：https://github.com/ChenglongChen/caffe-windows
3.1.4 常用工具
▲ Theano: http://deeplearning.net/software/theano/
▲ Keras: https://keras.io/
▲ Cuda-convnet2: https://github.com/akrizhevsky/cuda-convnet2
▲ Caffe: http://caffe.berkeleyvision.org/
▲ CXXNET: https://github.com/dmlc/cxxnet
▲ MXNet: https://github.com/dmlc/mxnet
▲ PaddlePaddle: http://www.paddlepaddle.org/cn/index.html
3.2 銷量預估
3.2.1 任務名稱
Walmart Recruiting - Store Sales Forecasting
3.2.2 任務詳情
Walmart 提供 2010-02-05 到 2012-11-01 期間的周銷售記錄作為訓練資料，需要參賽選手建立模型預測 2012-11-02 到 2013-07-26 周銷售量。比賽提供的特征資料包含：Store ID, Department ID, CPI，氣溫，汽油價格，失業率，是否節假日等。
3.2.3 獲獎方案
● 1st place：Time series forecasting method: stlf + arima + ets。主要是基于時序序列的統計方法，大量使用了 Rob J Hyndman 的 forecast R 包。方案連結：https://www.kaggle.com/c/walmart-recruiting-store-sales-forecasting/discussion/8125
● 2nd place：Time series forecasting + ML: arima + RF + LR + PCR。時序序列的統計方法+傳統機器學習方法的混合；方案連結：https://www.kaggle.com/c/walmart-recruiting-store-sales-forecasting/discussion/8023
● 16th place：Feature engineering + GBM。方案連結：https://github.com/ChenglongChen/Kaggle_Walmart-Recruiting-Store-Sales-Forecasting
3.2.4 常用工具
▲ R forecast package: https://cran.r-project.org/web/packages/forecast/index.html
▲ R GBM package: https://cran.r-project.org/web/packages/gbm/index.html
3.3 搜尋相關性
3.3.1 任務名稱
CrowdFlower Search Results Relevance
3.3.2 任務詳情
比賽要求選手利用約幾萬個 (query, title, description) 元組的資料作為訓練樣本，構模組化型預測其相關性打分 {1, 2, 3, 4}。比賽提供了 query, title和description的原始文本資料。比賽使用 Quadratic Weighted Kappa 作為評估标準，使得該任務有别于常見的回歸和分類任務。
3.3.3 獲獎方案
● 1st place：Data Cleaning + Feature Engineering + Base Model + Ensemble。對原始文本資料進行清洗後，提取了屬性特征，距離特征和基于分組的統計特征等大量的特征，使用了不同的目标函數訓練不同的模型（回歸，分類，排序等），最後使用模型內建的方法對不同模型的預測結果進行融合。方案連結：https://github.com/ChenglongChen/Kaggle_CrowdFlower
● 2nd place：A Similar Workflow
● 3rd place： A Similar Workflow
3.3.4 常用工具
▲ NLTK: http://www.nltk.org/
▲ Gensim: https://radimrehurek.com/gensim/
▲ XGBoost: https://github.com/dmlc/xgboost
▲ RGF: https://github.com/baidu/fast_rgf
3.4 點選率預估 I
3.4.1 任務名稱
Criteo Display Advertising Challenge
3.4.2 任務詳情
經典的點選率預估比賽。該比賽中提供了7天的訓練資料，1 天的測試資料。其中有13 個整數特征，26 個類别特征，均脫敏，是以無法知道具體特征含義。
3.4.3 獲獎方案
● 1st place：GBDT 特征編碼 + FFM。台大的隊伍，借鑒了Facebook的方案 [6]，使用 GBDT 對特征進行編碼，然後将編碼後的特征以及其他特征輸入到 Field-aware Factorization Machine（FFM） 中進行模組化。方案連結：https://www.kaggle.com/c/criteo-display-ad-challenge/discussion/10555
● 3rd place：Quadratic Feature Generation + FTRL。傳統特征工程和 FTRL 線性模型的結合。方案連結：https://www.kaggle.com/c/criteo-display-ad-challenge/discussion/10534
● 4th place：Feature Engineering + Sparse DNN
3.4.4 常用工具
▲ Vowpal Wabbit: https://github.com/JohnLangford/vowpal_wabbit
▲ XGBoost: https://github.com/dmlc/xgboost
▲ LIBFFM: http://www.csie.ntu.edu.tw/~r01922136/libffm/
3.5 點選率預估 II
3.5.1 任務名稱
Avazu Click-Through Rate Prediction
3.5.2 任務詳情
點選率預估比賽。提供了 10 天的訓練資料，1 天的測試資料，并且提供時間，banner 位置，site, app, device 特征等，8個脫敏類别特征。
3.5.3 獲獎方案
● 1st place：Feature Engineering + FFM + Ensemble。還是台大的隊伍，這次比賽，他們大量使用了 FFM，并隻基于 FFM 進行內建。方案連結：https://www.kaggle.com/c/avazu-ctr-prediction/discussion/12608
● 2nd place：Feature Engineering + GBDT 特征編碼 + FFM + Blending。Owenzhang（曾經長時間雄霸 Kaggle 排行榜第一）的競賽方案。Owenzhang 的特征工程做得非常有參考價值。方案連結：https://github.com/owenzhang/kaggle-avazu
3.5.4 常用工具
▲ LIBFFM: http://www.csie.ntu.edu.tw/~r01922136/libffm/
▲ XGBoost: https://github.com/dmlc/xgboost
* 4.*
參考資料
[1] Owenzhang 的分享： Tips for Data Science Competitions
[2] Algorithms for Hyper-Parameter Optimization
[3] MLWave部落格：Kaggle Ensembling Guide
[4] Jeong-Yoon Lee 的分享：Winning Data Science Competitions
[5] Ensemble Selection from Libraries of Models
[6] Practical Lessons from Predicting Clicks on Ads at Facebook
5.
結語
作為曾經的學生黨，十分感激和慶幸有 Kaggle 這樣的平台，提供了不同領域極具挑戰的任務以及豐富多樣的資料。讓我這種空有滿（yi）腔（xie）理（wai）論（li）的資料挖掘小白，可以在真實的問題場景和業務資料中進行實操練手，提升自己的資料挖掘技能，一不小心，還能拿名次，赢獎金。如果你也躍躍欲試，不妨選一個合适的任務，開啟資料挖掘之旅吧。
“
作者簡介
陳成龍, 2015 年博士畢業于中山大學，研究圖像篡改檢測，在圖像領域頂級期刊IEEE TIP上發表論文2篇，Kaggle CrowdFlower 和 HomeDepot 搜尋相關性比賽分獲第一和第三名，曾在 Kaggle 資料科學家排行榜上排名全球第十，國内第一。目前在騰訊社交與效果廣告部任職資料挖掘工程師，負責 Lookalike 相似人群擴充相關工作。