第9名方案

我的第9名方案简述可以在附件链接中找到。

这是一个使用 autogluon 的简单 AutoML 方法，将原始数据包含在训练循环中，但不包含在交叉验证中，最终成为了我本地交叉验证得分最高的方案。

• 我使用了 5 折分层 K 折交叉验证（StratifiedKFold），类别为价格/平方米的三个组（约 10/平方米、约 100/平方米和约 1000/平方米）。
• 我尝试对这三组进行多类分类，但最终并没有改善模型效果。
• 在我的实验中，特征工程、对少数类（约 10/1000/平方米）的过采样以及对多数类（约 100/平方米）的欠采样也无助于提高本地交叉验证分数。

在代码笔记本中，我列出了对我有效和无效的方法。与其他一些高分方案不同，我无法通过单一模型获得很高的本地交叉验证分数。