第11名解决方案 - 简洁（运气）足矣

首先，感谢Kaggle社区提供的丰富且有益的讨论和笔记。同时，感谢Kaggle和GoDaddy举办本次比赛。

我的代码已发布于GitHub，基于VADIM KAMAEV的公开笔记。

在本次比赛中，我的思路是在不使模型过于复杂的前提下，持续提升我的CV（交叉验证）和PB（公共排行榜）分数。

验证（CV）

我使用最近5个月的数据进行验证。在最终提交中，我采用了验证分数最高的模型之一。

模型

与公开笔记相同，我使用Catboost回归器来堆叠LightGBM、XGBoost和CatBoost模型。并对大量超参数进行了调整。

特征工程

我没有做太多新颖的特征工程，仅使用了公开笔记中的技术。

但我对超参数进行了大量调整。

融合提交

我使用了不同的模型超参数和不同的特征（即不同的diff、max、mean等设置）来生成大量提交。我从中选出最好的4个（或3个）提交，使用加权平均创建一个融合提交。根据公共排行榜选择的最佳融合结果作为我最终提交之一。最终，在私有排行榜上，融合提交的分数略优于最佳CV模型。