第5名解决方案，单一神经网络模型

感谢 Ubiquant 以及所有参与比赛的人，特别感谢那些在精彩 Notebook 中分享知识的 Kagglers。
我制作这个 Notebook 的初衷是使其尽可能简单和稳定。

1. 训练数据： train.csv (time_id > 599) + supplemental_train.csv
2. 目标值处理： 对目标值进行对数转换，并移除了 127 行目标值异常值。
3. 特征工程： 没有进行特征工程，仅使用 sklearn 的 QuantileTransformer 对特征进行转换。
4. 模型： 简单的神经网络 (NN) 模型，包含四个全连接层 (optimizer=Adam, loss='mse', metrics=[rmse, wcorr])。
5. 交叉验证： 使用自定义交叉验证进行训练，共 20 折，并设置 10 个 time_id 的清洗。