第三名解决方案

首先，我要感谢Kaggle和AMP PD组织了这场精彩的比赛。我也要感谢所有参与本次比赛的Kaggle用户。我非常高兴能够获得我的第一枚金牌，同时也赢得了奖金。

我的解决方案很简单，主要由三个功能组成。

1. 分组

正如许多人所指出的，我将患者分为两组，每组针对不同的就诊间隔（6个月或12个月）进行了优化。
关键点之一是我们不仅需要关注第6个月，还需要关注第18个月。有些患者缺失第6个月的数据，但第18个月的数据存在，这类患者并不健康。
通过使用累积最小值函数，我将第6个月或第18个月出现的患者视为不健康患者。

[A组：健康]

• 最小就诊间隔为12个月或更长的患者

[B组：不健康]

• 最小就诊间隔为6个月或更短的患者

2. 标注（主要针对B组）

在查看B组（不健康组）的数据时，我发现了几种模式。蛋白质采集频率和蛋白质信息与症状的严重程度相关。我根据蛋白质采集频率和蛋白质信息生成了多个标签，并将其作为特征使用。

最终采用了以下9个标签。

[症状更严重]

• 蛋白质在第6个月采集
• 蛋白质在第6个月采集，并在第12个月再次采集
• "UniPort"唯一数量较少（约最低的20%）
• "UniPort"唯一数量较少（约最低的10%）

[症状较轻]

• 蛋白质在第6个月未采集
• 蛋白质在第6个月采集但在第12个月未采集
• 蛋白质在第6个月未采集，但在第18个月采集
• "UniPort"唯一数量较多且"Peptide"相对于前一次测量的变化较大（约最高的20%）
• "UniPort"唯一数量较多且"Peptide"相对于前一次测量的变化较大（约最高的10%）

3. 建模

最初，我也尝试使用这些特征的LightGBM，但LB分数变差了，因此我没有在最终模型中使用它。在最终模型中，我使用这些特征通过网格搜索获得系数（严重程度）。
由于训练数据（248名患者）的样本量较小，某些标签在训练数据（248名患者）上表现更好，但在LB（50名患者）上表现更差。
在我进行的各种实验中，我决定只采用那些在训练集和LB上均有所改善的标签（共298名患者）。
我认为这将是一个更稳健的模型。结果最终分数也更加稳定。