第25名方案

我在这次比赛中学到了很多。非常感谢精彩的讨论和Notebook分享。
我的解决方案可能没什么价值，我也很好奇为什么它在Private榜单上表现不错，但我还是分享出来。
我预测了层级 1~10 和层级 12 的值。

模型

使用 LightGBM：

• 层级 12：递归预测，目标函数为泊松分布。
• 层级 1~10：逐天预测 (target->sale*price)，层级 1~9 目标函数为 rmse，层级 10 为 tweedie。

特征

简单的位移、滚动、差分特征，商品数量，一些日历特征，价格。

验证

d1830-d1857, d1858-d1885, d1886-d1913, d1914-d1941

我在层级 1~10 的预测上花了不少时间，层级 1~10 预测的交叉验证（CV）结果很稳定。
我使用 StratifiedFold 来调整层级 1~10 的参数。

预测融合

我是这样组合预测结果的：

df[level12] *= df[price]
df[level_] = df[level_prediction] * (df[level12] / df.groupby(level_).transform(sum))
df[final_prediction] = 0.65 * mean(df[level8, level9]) + 0.35 * mean(df[level1~7, level10, level12])

我无法获得很好的层级 12 WRMSSE 分数，但在结合层级 1~10 的预测后得分提高了。我相信层级 1~10 的预测提升了 WRMSSE 分数。