第12名解决方案

感谢主办方组织这次比赛，也感谢 Kaggle 提供的计算资源。

祝贺所有获奖者和奖牌获得者。感谢大家分享你们的解决方案！

脑区分割（Parcellation）

我最初的方法是使用 3D CNN（卷积神经网络），但无法获得良好的性能，因此我转向了基于脑区分割的方法。

我希望使用具有适量大脑区域的分割方案，以保持特征数量的可控性。最终我使用了 AAL 分割法，它包含 116 个区域。

年龄预测

对于每个 3D 脑图（maps），我提取了每个区域的平均强度（116 个区域 x 53 个脑图 = 6148 个特征）。

我使用加载（loading）、功能连接（fnc）以及这些从脑图派生的特征来训练一个岭回归模型。仅仅通过调整 alpha 参数和两个权重变量，我在年龄预测上就获得了不错的分数。权重变量用于缩小功能连接和脑图派生特征的尺度。

随后，我提取了每个区域的方差并将它们添加到特征列表中。这使得 LB 分数提高了 0.0007。

我尝试使用偏度和峰度作为特征，但这并没有提高分数。我的最终年龄预测是 3 个岭回归模型的加权平均。

领域变量预测

遗憾的是，这些从脑图派生的特征似乎对预测领域变量帮助不大。我为每个领域变量只训练了一个单独的模型。

站点效应

我使用逻辑回归和岭回归模型建立了一个站点分类器。后来我偶然发现了 Combat 协调方法，并用它来调整特征以消除站点效应。