第五名解决方案

考虑到 inevitable 的变动，我几个月前提交了一些基础解决方案，然后忘记了比赛的事。早上朋友祝贺我时，我感到很惊讶。

代码链接

主要要点：

1. 为每个Alpha、Beta、Gamma、Delta训练模型，并将这些概率堆叠作为特征。
2. 为每个特征创建了lgbm插补模型，即使在训练数据中没有缺失值。
3. 使用RepeatedStratifiedKFold（n_splits=5, n_repeats=5）结合基础的catboost模型。

注意：移除插补模型并未影响分数，因此主要优势在于堆叠希腊字母特征。

在此解决方案之后，我尝试了暴力特征工程和其他建模方法，但它们在公共排行榜上帮助不大，因此我将其作为最终提交。