第16名 - 混合模型

今天早上醒来，我发现自己在排行榜上跃升了277名，最终进入了前2%！考虑到在参加这次 TPS（Tabular Playground Series）之前，我的时间序列知识几乎为零，我确实感到有点震惊。

你可以在这里找到我的完整 Notebook，所以我不会重复我所做的所有事情，因为大多数想法都借鉴自其他人。

不过，我有几个自己尝试的想法，没看到其他人尝试过：

• 一阶傅里叶特征 - 引用 @teckmengwong 个人资料中的一句话：“如果它走起路来像正弦波，叫起来也像正弦波，那你就可以把它当作正弦波来处理。”
• 混合模型 + 网格搜索 - 由于数据集具有强烈的季节性模式，混合模型非常适合。我添加了一个网格搜索函数来微调模型的参数，然后将这些模型集成在一起。
• 人均 GDP - 当这个特征提高了我的公共 LB 分数时，我很兴奋，但当我深入研究时，发现普通 GDP 与目标特征的相关性（略）高一些。我最终没有使用人均 GDP，但尝试的过程很有趣。

最后，我想感谢 Kaggle 社区；感谢所有分享想法、Notebook 和数据集的人。我很享受从大家那里学到这么多东西。

特别感谢：
@carlmcbrideellis, @ambrosm, @lucamassaron, @adamwurdits, @vpallares, @mfedeli, @fergusfindley, @teckmengwong, @vad13irt, @remekkinas

期待下一场 TPS 比赛！