我参加了一次Kaggle竞赛，从此改变了我的数据科学学习之路

“不要把时间浪费在 Kaggle 竞赛上。在处理真正的业务问题时它一点用都没有。”在我刚开始数据科学生涯的时候有人曾经对我说过这样的话。

作为一名年轻而懵懂的数据科学家，有两年时间我都遵从这条建议，一直在回避 Kaggle 比赛。最近，我偶然看到了 Abhishek Thakur 在 LinkedIn 上发表的帖子，给“歌曲流行度预测”Kaggle竞赛做宣传。

看完帖子后我就有了参加他的比赛的冲动，我还想看看之前得到的那条建议是不是正确的。而这篇文章要说的就是我完成比赛后得到的五项关键收获。

社区论坛中无私的代码分享

一开始，我以为参加 Kaggle 竞赛主要是为了与大家竞争，比比谁的分数最高。结果让我没想到的是，震撼我的竟然是社区的慷慨无私氛围。甚至在比赛开始时，他们已经开始分享有用的 EDA 代码、特征工程技术等等资源了。我个人觉得这更像是大家在一起共事，而不是相互竞争。

丰富了我对其他类型 ML 问题的经验

我的工作经验主要集中在时间序列的预测和优化领域。而参加 Kaggle 竞赛实际上是一个很好的实践机会，让我体验到了不同类型的 ML 领域所面临的常见问题。例如，这个歌曲流行度预测（分类）问题让我能尝试一些重采样方法来解决不平衡数据问题，并学到了如何使用正确的指标来评估模型。

接触到创造性的特征工程和缺失归因技术

“到头来，有一些机器学习项目成功了，还有一些失败了。是什么造成了这种差异？最重要的因素是项目所使用的特征”。——华盛顿大学的 Pedro Domingos 教授

由于市面上有许多模型可供选择，许多人将注意力转移到了模型/算法开发上，忽视了数据质量或特征工程技术。我个人认为我们更应该关注数据质量和高级特征工程技术，同时用一些简单的模型就够了。

在论坛上，大家分享了数不清的特征工程和缺失数据归纳技术相关资料。说实话，我收藏的那么多技术资料自己也没能全都尝试过。以下是我觉得很有趣的技术：

• 聚类模型（如 KMeans），用于生成新的特征。
• PCA，一种降低维度的方法，用于减少特征的维度。
• 应用对数、箱形图、幂数转换来缩放数据。
• 对缺失数据进行 LGBM 计算。
• 基于领域知识，对 2-3 个变量进行特征交互。
• 多项式特征转换

学会如何编写高效的数据分析和绘图代码

由于我最近刚从 R 语言过渡到Python，所以对 ggplot 的代码结构比 matplotlib/seaborn 更熟悉一些。很多时候，我要么会遇到很多代码错误，要么最后得到的是没那么漂亮的图。所以我非常喜欢这个代码分享论坛，他们不只会分享构建模型的代码，还分享了许多内容翔实的 EDA 笔记本，其中有他们自己的发现。下面是我个人在这次竞赛中最喜欢的两篇文章。

• 使用交互式绘图的简单 EDA（文章链接：https://www.kaggle.com/dextermojo/song-popularity-eda-heads-or-tails-python-ver）
• 详细的数据分析报告 （文章链接：https://www.kaggle.com/headsortails/song-popularity-eda-live-coding-fun）

学习如何使用 optuna 包来做模型调优

翻阅别人分享的笔记本时，我发现有几个笔记本有一个有趣的术语——Optuna。它引起了我的好奇心，于是我决定找一个笔记本看个究竟。结果就是这个包！我肯定会在自己的下一个 ML 问题解决方案中使用它。

如果你和我一样没有听说过它，可以访问该链接（https://optuna.org/）来了解更多内容。大体来说，它是一个开源的超参数优化框架，用于自动化超参数搜索。

后记

毫无疑问，Kaggle是一个很好的平台，适合初学者或中级数据科学家练习他们的代码技能。

对于高级用户来说，我发现参加那些高水平的比赛（如 M5 预测比赛）会给参赛者带来富有挑战性同时又颇具价值的经验。

原文链接：

https://medium.com/@benlc77/how-my-first-kaggle-competition-changed-my-data-science-learning-experience-58f39f293cf5