第35名解决方案

代码笔记本

• Kon的ResNet模型: https://www.kaggle.com/yxohrxn/resnetclassifier-fit
• 模型融合: https://www.kaggle.com/yxohrxn/votingclassifier-fit-without-lightgm-and-svm
• 推理: https://www.kaggle.com/yxohrxn/votingclassifier-predict-without-postprocessing

我们的方法

1. 数据增强

我们尝试了高斯噪声、Cutout、Mixup和CutMix，其中CutMix对CV分数的提升最大。特别是当我们增加超参数alpha时，效果很好。移除ctl_vehicle后，CutMix的效果变差了。

2. 加权种子-折平均

由于Deotte的CV方案考虑了drug_id，因此经常出现训练数据中没有正样本的情况，尤其是对于次要类别。在这种情况下创建的模型预测完全没有意义。因此，我们计算了每个折训练数据中每个类别的正样本数量，并使用这些数量作为权重对预测进行加权。

3. 分类别融合

我们改进了Zhang的笔记本来计算权重，以最小化每个类别的对数损失。

weights.shape = (n_classes, n_models)

为了找到最佳的模型组合，我们通过CV评估了性能。此外，还进行了早停和标签平滑以避免过拟合。我们总共创建了近20个模型，上述组合是最佳的。