第9名解决方案 + 伪标签 + IterativeImputer + 多模型AutoGluon

本次比赛我只有几个小时的时间，因为当天才开始，但尽管如此，一切皆有可能，很高兴能获得第9名 😊

最终的解决方案融合了我截止日期前认为可行的一些想法：

1. 通过伪标签扩展训练数据： 使用排名前列的5个公开方案的集成结果，为缺失的目标值生成伪标签。

2. 使用Sklearn IterativeImputer结合DecisionTreeRegressor进行特征工程： 由于训练数据在特征和目标中都存在大量缺失值，采用Sklearn IterativeImputer配合DecisionTreeRegressor是一个不错的替代方案，并可与其他标准的缺失值处理方法集成使用。

3. 使用AutoML框架加速流程： 这对于回归问题尤其是一个很好的选择，因为它们提供了多种不同的模型，有利于最终集成。

基于上述思路，我利用Auto Gluon框架共训练了5种不同的解决方案，例如：一种是原始未改动训练流程，另一种是多次迭代进行Sklearn IterativeImputer + DecisionTreeRegressor特征工程，还包括两阶段伪标签（先使用公开方案，再使用训练好的AG模型生成），以及采用AG的FTTransformer模型。

这5个训练好的解决方案随后根据结果进行了加权集成。

就是这样！😊