首先，我要向所有的组织者、参与者以及你，读者，表示衷心的感谢！我必须承认，获得第 8 名涉及到一些运气成分。对于我的模型，我只是简单选择了 AutoGluon，但我仍然想与大家分享和讨论我的想法。

在我第一次运行 AutoGluon 时，我尝试使用 GPU，但似乎没有被利用——也许 AutoGluon 判定它实际上会减慢速度。在那次初始运行中，由于时间限制，训练了 17 个基础模型和 13 个堆叠模型。交叉验证（CV）得分为 0.985，排行榜（LB）得分为 0.98522。令人惊讶的是，私有分数结果是 0.98506，这让我有点意外。

之后，我注意到数据中有不少噪声，例如分类特征中存在数值和测试集中没有的奇怪单词。我假设只有单字符的分类特征不是噪声，并将其他特征设置为 NaN，让 AutoGluon 来处理它们（考虑到基于树的模型可以自然地处理 NaN，我认为这可能比手动插补更好）。

在进行这些调整后，我增加了 AutoGluon 的时间限制，并在学校提供的两个 Gold 5320 CPU 上运行了三天（非常感谢他们！）。这次，训练了 19 个基础模型和 22 个堆叠模型，CV 得分达到 0.9581，LB 得分提高到 0.98525，私有得分达到了个人最佳的 0.98507。

后来，我发现一个 XGBoost 模型花费了整整两天时间来训练😅，所以我决定排除 XGBoost（其 CV 得分为 0.9846）进行完整重新训练。这次最终训练花费了五天半，产生了 98 个基础模型和 64 个堆叠模型（由于集群问题，一些堆叠模型丢失了）。CV 得分保持在 0.9581，LB 得分略微增加到 0.98528，但私有得分略微下降到 0.98507。我怀疑 XGBoost 可能仍然具有重要意义，并且更复杂的模型可能引入了一些过拟合。

最后，再次感谢阅读！

P.S. 老实说，鉴于样本数量巨大，我也对排行榜的变动感到惊讶。你们怎么看？