第18名方案

我是一个幸运的人，我获得了第18名和一枚银牌。我的方案只是对公开的 WaveNet notebook 进行了轻微的修改。

特征工程

我使用了 @cdeotte 的“无漂移数据”。

共使用了42个特征，包括3个滞后特征（与 @siavrez 的 WaveNet notebook 一致），基于 @ragnar123 notebook 的 signal**2 和 signal**4 特征，基于 @martxelo notebook 的梯度、低通和高通滤波器，以及添加了 @sggpls 的 ION-SHIFTED-RFC-PROBA。

网络架构

将卷积基滤波器数量从16个更改为24个（1.5倍），并添加了3个LSTM层。

数据增强策略及其他

我对特征进行了归一化，对所有特征添加了 np.random.normal(loc=0, scale=0.01) 噪声，并将数据翻转三次，使训练数据量变为原来的8倍。

GROUP BATCH SIZE（每个样本的信号数）确定为6250时效果最佳。

训练

训练进行了两次。第一次正常优化损失。第二次，我将L2权重正则化因子从0改为0.0001，学习率设为1e-5，并优化准确率。

预测

预测阶段也进行了增强。我对所有特征添加了 np.random.normal(loc=0, scale=0.001) 噪声，并将数据翻转4次，即对测试数据预测了10次。

此外，我将 GROUP BATCH SIZE 从6250改为500000进行了13次预测并取平均值，然后使用 argmax。

最终的 OOF CV 分数为 0.942421。

再次重申，我只是个幸运儿。精彩的讨论和 notebook 分享让我赢得了奖牌。没有这些，我的分数将是0。感谢那些分享见解的人。