moshlwx的博客

说是总结其实更多是教训，成绩不好。 关键词搜进来的想来学习的朋友可能要失望了。。。

ensemble methods组合几个不同的模型结果以增强泛化能力和鲁棒性。In averaging methods, 原则是建立几个独立的模型，对结果取均值，可以降低方差（取均值可降低方差的原因：平均可以平滑曲线）Examples: Bagging methods, Forests of randomized trees, …By contrast, in boosting methods,

KAGGLE ENSEMBLING GUIDEhttp://mlwave.com/kaggle-ensembling-guide

定义类别特征：如['male', 'female']等，模型不能直接识别的数据。处理的目的是将不能够定量处理的变量量化。 特别的比如星期[1, 2, ... , 7]虽然是数字，但是数值之间没有大小顺序关系，需要视为类别特征。处理编码为模型可识别的数值型特征。根据模型处理能力的不同，需要考虑单纯映射为数值或哑变量编码。

教你如何在机器学习竞赛中更胜一筹（上）-博客-云栖社区-阿里云 https://yq.aliyun.com/articles/73755?spm=5176.100239.bloglist.40.wxgxxt介绍一些建立机器学习模型的技巧问答

【干货】Kaggle 数据挖掘比赛经验分享 http://mp.weixin.qq.com/s/BE1mfmKJTsDSwWi16mllNA数据分析，数据清洗，特征工程，模型训练和验证等四个大的模块数据分析

KDD CUP 2017从四月开始做，到今天（0508）已经做了一段时间，成绩目前虽然较以前有了不少提升，但距离顶尖还有不少距离。最近把想到的好实现的东西都实现了，效果也都不错，但是貌似遇到了瓶颈，现在捋一捋思路，看看还有什么地方可以继续提高。由于目前只做了volume的部分，所以下文中只涉及vol。Data Analysize接触到数据，首先做了一些简单的分析和可视化。然后定了基本思路。