"ICR - 识别年龄相关疾病"竞赛第三名解决方案

首先，我真的很惊讶能够获得这个成绩。事实上，在参加比赛并简单地实现了基线代码后，我就很少再关注这场比赛了，因为公司通常加班😅。
最终的结果是当时基于catboost模型的基线代码，其公开得分为0.21。
由于数据特征是匿名的且与医疗健康相关，我最初的想法是通过不同特征之间的比率来构建新特征，就像体检报告中的某些指标也是通过其他指标计算比率得到的一样。
在此之前，我计划通过相关系数（corr）筛选掉一些匿名特征，以免构建太多无效特征。然而，由于没有进一步尝试，最终代码仍然是对所有特征进行交叉计算。
这场比赛中更有效的操作应该是以下两点：
1. 特征交叉计算
2. catboost模型
因为我使用相同特征的lightgbm模型在公开得分上为0.22，在私有得分上为0.38。

关于lightgbm模型和catboost模型的参数选择，似乎是参考了一些notebook的内容，但抱歉，有些已经忘记了。