第9名方案笔记

我知道，在6000多支队伍中获得第9名是一个非常好的成绩。但是……在公榜上长期占据第1名之后，这种感觉确实不太一样 :)

无论如何，这是一场有趣的比赛——与其从不尝试飞翔，不如飞得高高的再跌下来。

首先，我要祝贺顶尖团队，特别是 FraudSquad，他们以巨大的优势当之无愧地获得了第一名！

同时特别祝贺一些我比较熟悉的人——我在其他比赛中的前队友 @johnpateha 和 @yryrgogo 成功获得了金牌！

当然，最感谢我的队友 @kostoglot，感谢他出色且专业的团队合作！

我们方案的一些关键点

• 我们大量使用了识别属于同一用户的交易（我认为所有顶尖团队都这么做了）。
• 为了识别用户，一个非常有用的特征是 ("2017-11-30" + TransactionDT - D1) —— 这对应于卡的某个日期（如首次交易日期等）——对于同一张卡/用户的所有交易都是相同的。其他几个 D 特征也有类似的应用。
• 为了验证识别出的用户，特征 V95、V97、V96（即日、周、月的先前交易次数）以及特征 V126、V128、V127（用户在前一天、周、月的累计交易金额）非常有帮助。
• 我们在如何将用户识别整合到解决方案中有不同的方法——Konstantin 将它们作为特征使用，而我将它们用于后处理和伪标签。
• 我们使用的交叉验证（CV）设置是：取前3个月的训练数据进行训练，移除1个月的间隔，最后2个月用于验证。这个 CV 设置与公榜相关性很好，但事实证明，在某些情况下，它关于私榜的数据欺骗了我们，导致我们在某些点上朝着稍微错误的方向前进，最终跌落至第9名。
• 使用的模型包括 LightGBM、Catboost 和 XGBoost。

祝好运！