第10名方案

大家好，对于排名的突然提升我感到有点惊讶，以下是我所做的工作：

特征工程

• 同时使用了比赛数据集和原始数据集。
• 将 Time 列转换为 Hour（小时）和 Day（天）。
• 参考了这个很棒的 Notebook 中的除法特征。
• 删除了 Id 和 Time 列。

模型

使用带有自定义 Focal Loss（焦点损失）的 CatBoost 模型（链接：https://github.com/rahowa/catboost_focal_loss）

交叉验证

基于这个编写良好的 Notebook：

• 10折分层交叉验证。
• 在每个分割上训练模型，计算预测结果，然后取平均值。

优化

使用带有 TPESampler 的 Optuna，运行速度非常慢，所以只进行了大约 50 次迭代。

优化的超参数包括：depth、learning_rate、l2_leaf_reg、subsample、min_data_in_leaf 以及 Focal Loss 的 gamma 参数。

请为那些提供了帮助的作者点赞！

这个结果可能纯属运气，或者这些系列赛本质上不需要过度复杂的处理。
谢谢！