我的解决方案分为7个主要步骤：
（代码版本10）

1. 使用pandas的interpolate实例进行线性插值填补缺失数据。
2. 使用随机森林分类器通过gini-importance找出数据集中最重要的特征。
3. 使用贝叶斯优化来寻找XGBoost分类器的最优参数。
4. 重复步骤3多次，收集XGBoost分类器的多个最优参数。
5. 使用最优参数构建XGBoost分类器集成。
6. 使用GridSearchCV再次微调XGBoost分类器（因为贝叶斯优化只是参数估计）。
7. 使用投票分类器（每个XGBoost概率的平均值）来分类测试集。