第23名 有趣的方法

大家好，
从比赛开始之初，在阅读了主办方的论文后，我一直在思考两种改进模型的方法。

1. 从 1f 模型迁移学习到 3\5\10 模型 ==> 在 HMM\RF\Wavenet 上尝试失败...
2. 从 1f 信号\open_channels 进行数据增强生成 3\5\10 信号\open_channels：基于这样的直觉，即最大 open channels 为 3 的模型应该像 3 个运行结果汇总的 1f 模型 ==> 成功

关于第二种方法：

1. 在每个折叠（fold）中划分训练\验证集。
2. 从 1f 模型中随机选择信号\open_channels 序列（长度=4000）。
3. 从第 2 步中随机选取，例如 5 个序列，并将它们叠加起来创建一个最大 open channels 为 5 的样本。
4. 对于每个叠加后的信号，根据原始数据相应的均值\方差调整其均值\方差。

我的 Wavenet 模型得分约为 CV 0.9388，LB 0.941。
在对 5\10 open channels 进行数据增强后，Wavenet 得分提升为 CV 0.9423，LB: 0.945。

我在这里分享了我的代码：https://www.kaggle.com/khyeh0719/wavenet-with-augmentation-2
在单折单个模型（无 RFC 特征）的情况下，该代码在 Public LB 上的得分约为 0.944。

希望这种方法能被广泛用于创建信号\open_channels，而无需实际生成信号（但假设预先知道每个 open channel 状态的均值\方差 :p）

无论如何，希望你们喜欢这个方法并觉得它很有趣！感谢 Kaggle 和主办方举办了如此有趣的比赛，我真的很享受其中，最后祝贺所有的获胜者！