获得第 39 名的非常简单的方法

我想感谢主办方组织了如此精彩的比赛，也要感谢在讨论中分享绝佳想法的人，以及我的队友 kyu999 和 yuto。
我们只有一个月的时间来准备这次比赛，但我们非常享受这个过程。

我们的解决方案相对简单。
我们的解决方案由波长预测部分（WL Prediction Part）和 Sigma 预测部分（Sigma Prediction Part）组成。

波长预测部分 (WL Prediction Part)

波长预测部分基于 Sergei 的方法。
我们通过这种方法取得了 0.572 的 Leaderboard 分数。
我们将 Sergei 的方法扩展为多波长预测版本。
由于噪声的存在，仅通过 AIRS 中每个波长的光曲线预测不足以扩展此方法。
我们通过在 AIRS 的波长轴上取滑动窗口均值来降低噪声，这使得扩展该方法成为可能。
FGS1 数据似乎噪声较大，所以我们通过 FGS1 和 AIRS 光曲线的均值来预测 wl_1。

Sigma 预测部分 (Sigma Prediction Part)

我们利用随机森林（Random Forest）来预测 sigma。
该方法将 Leaderboard 分数从 0.572 提升到了 0.607。
我们本想找到更好的方法，但我们在截止日期前 2 天才发现这个方法，没有太多时间改进它。:(
我们认为模型容易过拟合，所以选择了随机森林。
我们使用以下特征来预测第 i 个波长的 sigma。
注意，q 表示 MAE/mean(signal during transit)，其形状为 (num_planet, num_wavelength)；s 表示通过 Sergei 方法进行的 wl 预测，其形状为 (num_planet, num_wavelength)；data 表示光曲线信号，其形状为 (num_planet, num_time, num_wavelength)。

• q[:, i:i+1]
• s[:, i:i+1]
• std(q, axis=1)
• mean(q, axis=1)
• entropy(abs(q) + 1e-8, axis=1)
• std(s, axis=1)
• mean(s, axis=1)
• skew(data[:, :, i], axis=1)
• kurtosis(data[:, :, i], axis=1)

我们简单地使用了 5 折分层 KFold（Stratified KFold）进行交叉验证。

深度学习方法（未奏效）

我们无法构建出 Leaderboard 分数优于 0.531 的 CNN 深度学习模型。
验证分数波动很大，但增大批次大小（batch size）并在 sigma 预测中添加 1e-8 使训练更稳定。
我期待看到深度学习的解决方案。