第 24 名解决方案

首先，祝贺比赛获胜者，并衷心感谢我们的团队成员 @gentlezdh, @yoshifumimiya, @lizhecheng, @nandodmelo, @kekshibata，以及比赛组织者。
我们展示了我们解决方案的简要总结（第 24 名，私有 LB 0.694）。更详细的版本请点击 这里。

概述

我们分别训练了回归模型和分类模型，并使用集成和后处理结合了它们的输出。“信任 CV"策略使我们最终获得了 0.694 的 LB 分数并赢得银牌。

模型训练

回归模型 (Regressors):

• GBDTs (CAT, LGB, XGB) 和 AutoGluon 在 8 个目标上进行基本特征工程。
• 对于特定的 4 个目标，应用了广泛的特征工程与 CatBoost 和 AutoGluon。
• PRL NNs，包括自定义损失函数。

分类模型 (Classifiers):

• GBDT (CAT, LGB, XGB) 分类器。
• 堆叠逻辑回归和组合 Autogluon 分类器。

集成与后处理

• 使用 多任务 Elastic Net 结合回归模型的输出（排除一些自定义 PRL NNs 作为输入）。
• 后处理：基于分类器概率调整预测，使用 Optuna 优化特定于种族（race-specific）的参数。
• 为高 efs 概率数据和较弱的种族组混合自定义 PRL NNs。

提交策略

• 最佳 CV: CV 0.6908 / 公共 LB 0.690 / 私有 LB 0.694
• 最佳 LB: CV 0.6853 / 公共 LB 0.694 / 私有 LB 0.692

我们选择了最佳 CV 和 LB 进行最终提交。“信任 CV"方法最终确保了我们要得的银牌。