第二名方案 - 简要总结

首先，感谢主办方举办这场有趣且赛程紧凑的比赛。同时也感谢比赛中众多的 Notebook 贡献者！！！🎉

我的最终方案是对一些公开贡献的成果与我个人想法的融合集成。

• 我觉得许多公开的 Notebook 已经很好地探索了 Boosting 方法，因此我设计的 Boosting 方案是基于这些方法的；如前所述，利用坐标计算距离在其中起了很大作用。
• 我注意到许多人将外部数据添加到他们的数据集中，并使用包含这些数据的全集计算 CV 分数。由于比赛数据是原始数据集的改编版，我认为这就是为什么一些 CV 分数与线上成绩不太一致的原因。相反，我在原始数据上进行了 CV 划分，然后将外部数据添加到训练集中。这强制在提供的数据集上进行验证，能更好地代表 LB 分数。将此方法与在完整合并数据上进行划分的方法进行集成，似乎大大增加了多样性并提高了 LB 成绩。
• 最后，我还在 Keras 中使用 keras_tuner 训练了一个神经网络（NN），使用了标准特征 + 坐标特征。本地 CV 仅为 0.59，但这为最终的融合增加了显著的多样性。模型摘要如下所示：