第14名方案

感谢大家带来了一场精彩的比赛。祝贺获奖者。我在Kaggle上获得了我的第一枚奖牌，也是我的第一枚个人金牌。

我的解决方案概要如下：

1. 模型：针对每个 [store_id] x [dept_id] 使用 LGBM（总共70个模型）

• 目标函数：tweedie（自定义目标函数并未提升CV分数）
• 权重：累计实际销售额（过去28天）（我没有使用RMSSE的缩放比例）

2. 数据时间段：2014/1/1~（2014年之前的趋势有所不同）

3. 特征工程

• 滞后需求 (Lag demand)
  28天位移 + 7天、14天、28天等的均值和标准差。
  （针对1~7天、14天、21天逐天计算，以及递归方式：我在每个 [store_id] x [dept_id] 上使用CV分数较低的那种）
• 销售价格
  销售价格的一些统计数据，以及 CA_3 地区相同 item_id 的销售价格。
  （CA_3 地区相同 item_id 的销售价格解释了某些商品的零销售期。）
• 日历
  对 id（商店、商品等）x [星期、事件或月份] 进行目标编码，或者 id 与过去3个月、1年、2年的数据组合（滚动计算，无泄露）。
  这些变量效果很好。
  此外，我根据排列重要性 删除了一些变量。

4. 交叉验证 (CV)：最后 3 x 28 天，以及（提交：最后 2 x 28 天 + 1年前同期）