#19 解决方案 | AutoGluon + TF + LightGBM + XGBoost + 校准

这是我第一次使用 AutoGluon，我必须承认我享受它的简单性和出色的性能。在这篇文章中，我将解释我的方法。

数据预处理

在数据处理方面，我考虑了三种情况。

• AmbrosM 的笔记 中提出的预处理。
• Stephen Murphy 笔记 中提出的预处理。
• 无预处理。

建模

在模型方面，我构建了几个模型。下表总结了我的结果。

请注意，上述结果基于 10 折交叉验证策略。

集成

在集成方面，我做了以下操作：

0.62 x AutoGluon (最佳模型) + 0.38 x AutoGluon of (LightGBM 集成，XGBoost 集成，TensorFlow 集成)

上述集成在 10 折交叉验证中获得了 0.98527 的 CV 分数。

校准

最后，我使用 IsotonicRegression 校准了预测结果，这使得 10 折 CV 分数提高了 0.00003。

什么不起作用

我运行了一些实验，试图优化阈值来确定标签，但我没有找到一致的结果。