第15名方案

恭喜所有的获奖者！👍

我的解决方案：

• 代码：
  PS-3-7 EDA CV weights optimizer

• 交叉验证 (CV)：
  30折分层交叉验证（30 folds stratified）。编写CV函数时包含了完整的分类报告和5个图表，用于比较不同的解决方案。

• 集成学习：
  我认为这是该解决方案的主要特点。集成是在每一折中进行的，并优化了权重。我使用了一个称之为“Averager”的类——这是一个包含fit和predict方法的类，用于为给定的N个解决方案寻找最优权重。我以后打算继续使用它。具体代码请见notebook。

• 模型：
  3个回归器 + 3个分类器 (XGB, CAT, LGB) + 随机森林

• 特征工程：
  无

在notebook中，我收集了CV和LB（Leaderboard）的进度数据，并制作了对比表格和图表，这对选择最终提交结果有很大帮助。

非常感谢每一位阅读我这微不足道作品的人！