我的方案从一开始就是公开的

抱歉用了这个标题党，但这确实有 90% 是真的。我的方案基本上是这两个内核的结合：

• Lightweight version of 2.65 custom NN
• NFL LOFO Importance

第一个内核来自化学竞赛。我在本次比赛中使用了几乎相同的模型。在球员与跑卫交互特征上使用 Conv1D 和全局池化，而不是原子交互特征。唯一的区别是这次我有两个子模型：跑卫与队友子模型，以及跑卫与对手子模型。

第二个是我开源实现的“留一特征法”。我使用 LOFO 来了解原始特征和生成特征的整体重要性。我还针对不同的赛季分别运行了 LOFO。这让我能够非常快速地判断哪些特征的重要性随时间推移保持稳定。我首先在 LightGBM 上针对目标 MAE 运行 LOFO，然后从我的神经网络（NN）中移除或替换这些特征。通过这种方式，我既受益于 LightGBM 的速度，又通过两个模型进行了双重验证，尽管我最终提交时只使用了神经网络模型。

由于我是该代码库（https://github.com/aerdem4/lofo-importance）的作者，我正在寻找在本次比赛中尝试过它的人的反馈。请告诉我您使用 lofo-importance 的任何正面或负面经验。欢迎任何建议。