给对资料分析有兴趣的朋友，一个参考的方向， 我目前还在学习中，所以分享一些过程，有错也请多多指教 ---------------------------------------------------------- 我的 CODE 是用 R 写的，因为使用parallel，必须在 linux 环境下才能执行 https://github.com/f496328mm/kaggle_Production_Line 问题主要是 生产线分析 需要预测该产品是 良品 or 不良品 详细过程我都写在 github 上， 由於我没有相关经验，部分方法参考 kaggle 的 kernel ， 文笔可能不够好，如果有问题可以直接寄信给我 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 134.208.26.102 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/R_Language/M.1497257737.A.19D.html 蛮多人问我为什麽不比真的比赛QQ 说实话 真的比赛我可能做不到这样的结果 我做这些主要是因为 1. 我先从我有兴趣的问题学习 2. 当前的比赛有时间压力，比赛时间长度大多都是2~3个月， 事实上我几乎都超过这些时间，不过多做几个问题後，速度有变快 如果大家看过我参考的kernel，应该会发现，对方的结果比我好， 那为什麽要看我的文章呢？ 有几点我稍微说明： 1. 在 numeric 资料中，对方直接从900个变数中取10个， 但是并没有告知"为什麽"是这10个，而我有说明我最後如何选择 2. 在对 date 进行的 Feature Engineering (1) ， 对方是使用 all and L3 生产线资料，进行特徵工程，但是为什麽选这些? 实际上生产线有 L0 L1 L2 L3 而我是使用 all, L0, L1, L2, L3，这样感觉比较合理 主要想法是，先尽可能制造 feature，再去做 feature selection， 3. 参数部分，可能不是这麽重要，不过也稍微提一下 (1): 他 nrounds 设定为 65, why? 不过这其实不是重点 (2): 他使用 2700 当作分界点，简单来讲，他认为在 test data 中 只有 2700 个不良品，但是实际上在 train data 中， 有 6879 不良品，差异颇大，所以并不清楚为何是 2700 ， 　　　　而我是用 0.25 当作分界点，我是进行测试 0.1 -> 0.2 -> 0.25 实际上我还差得很远，就慢慢累积经验了，有些问题也要请大大多多指教 ※ 编辑: f496328mm (134.208.26.105), 06/13/2017 11:17:38