第 15 名解决方案

我基于这个优秀的基线方案进行了构建，并做了以下更改：

https://www.kaggle.com/code/ravaghi/social-action-recognition-in-mice-xgboost

感谢 @ravaghi。

• 从训练中排除非测试数据集：移除了 CalMS21、MABe22 和 CRIM13，因为它们未出现在测试集中。（这使得 CV 与 LB 的相关性更好。）

• 按实验室训练模型：为每个实验室分别训练 XGBoost 和 CatBoost。（出于某种原因，LightGBM 的表现较差。）

• 从训练中移除 AdaptableSnail 25 fps。

• 双向 EMA 平滑：在向前和向后两个方向应用 EMA，并搜索最佳平滑时间尺度。

• 以自我为中心的特征（Ego-centric features）：使用 body_center 作为原点（对于没有 body_center 的实验室，我使用注释坐标的平均值），旋转坐标使运动方向与 正 Y 轴 对齐，并生成以自我为中心的特征。

• 特征剪枝：移除了在 CatBoost 和 XGBoost 中重要性均为 零 的特征。

• 当多个类别超过阈值时的公平平局打破（Tie-breaking）：在类别不平衡的情况下，argmax() 并不公平，因此我使用了基于 Z 分数的边际：

  • z = (prob - threshold) / sigma，其中 sigma 是 OOF 预测的标准差。
  • 选择 Z 分数最高的类别。

• 集成（Ensembling）：对跨模型的 EMA 平滑概率 进行平均，并使用 平均阈值 进行决策；当多个类别竞争时，选择跨模型 平均 Z 分数 最高的类别。

对我没有帮助的方法

• 推理后的后处理：通过 max_gap 填充和通过 min_duration 移除尖峰。
• GBDT 的左右翻转增强（CV↑ 但 LB↓）。
• 基于讨论想法处理 AdaptableSnail 25 fps（将帧缩放 1.2×，移除 rear、submit、approach）。