机器学习算法竞赛考察的内容
来源：14-2 学习完这个课程以后怎样继续深入机器学习的学习？
Suspendz
2019-03-19
老师能不能讲一下，kaggle算法竞赛里面主要是要考察什么东西。是模型选择、参数选择、预测准确度这些常规指标么？还是说考察同一个问题手写模型的准确度速度这些？因为我想的，既然都是参加比赛的，那么常规sklearn还有TensorFlow调包调参的经验一定都是不差的，如果只是模型选择+调包网格搜索超参数，那这么多选手一定会有很多相同答案的，所以要想取得好成绩应该都是需要使用自己写的模块的吧？
因为我现在只是学完了算法内容，但是工程实践还有算法竞赛没有任何经验，不知道具体算法落地实施时候会经常面对什么困难，麻烦老师讲解一下。
1回答
-
首先，指标都是常规指标。比如分类问题，就是拼准确率。
但是，要想达到高的准确率，并不容易。这其中，最关键的是，其实是特征工程。关于此，可以参考这里：https://coding.imooc.com/learn/questiondetail/40722.html
这里，我的介绍还是抽象的，我建议你看一些实际的竞赛问题，然后看看优秀的解答。在kaggle上，所有的结束的比赛，都有课N多公开的kernel可以参考。从中，你可以看出大家在拼什么。特征工程是很大的一块儿。
其次，就是你说的模型的选择和调整。首先，模型的选择和调整可能会比你想象的困难。尤其当介入深度学习的算法之后，一个模型有成千上万的参数都是家常便饭。网格搜索是不可行的。此时，如何综合各种其他指标，更加有效地进行调参，是很重要的。
其次，和算法一样，很多调参的方式，很多指标，并非是在各个标准库中就存在的。最简单的例子，在这个课程中介绍了PR曲线。但是根据PR曲线如何调参？这不是一个标准库中内置的方式。更不用提更多在机器学习，统计学习和统计学中所设计的其他各种方法：）
最后，是的，就是工程难度。写出一套根据实际问题，可以灵活调参，高效获得最佳结果的代码，并不容易：）
依然是，我这么说，你可能并没有感觉。我建议你实际参考一些真实的竞赛问题，再仔细体会一下：）
加油！：）
012019-03-20
相似问题