第37名解决方案（谈谈CV和Private得分）

既然一些顶尖排名的解决方案已经公开了，我不确定这篇笔记是否会带来什么新内容。只是分享一下我的经验。 :)

我最终的LB得分是由5个Efficientnet模型集成得到的。概览如下：

• 预处理：仅使用了 @tanlikesmath 在该Kernel中提到的圆形裁剪。

• 数据增强：水平翻转和垂直翻转，360度旋转，缩放20%-25%，光照50%。使用了Fast.ai的变换。

• 训练：主要遵循 @drhabib 的方法。使用 2015 年数据作为训练集，2019 年数据作为验证集进行了“5+10”轮的训练。然后，我使用 sklearn 的分层抽样函数将 2019 年的数据按80:20的比例分割，并在其上对之前训练的模型进行了15个epoch的微调。我根据验证损失选择了看起来没有过拟合的最佳模型用于提交。我使用了固定的随机种子，以便可以在相同的验证集上比较不同模型的性能。没有使用交叉验证（CV）或测试时增强（TTA）。

正如 @rishabhiitbhu 所展示的那样，不同数据集的类别分布非常相似，我有一种直觉，即对于我们庞大的测试集来说，情况也不会有太大不同。这就是为什么我信任我的分层验证数据（简直不敢想象如果我当时错了会发生什么）。

我的验证得分和Public得分似乎并不相关，但现在Private得分与我的验证得分非常相似。以下是我使用的模型摘要：

请分享并让我们知道您的CV和Private得分。同时祝贺那些在LB大洗牌中幸存下来的人。 :)