給對資料分析有興趣的朋友，一個參考的方向， 我目前還在學習中，所以分享一些過程，有錯也請多多指教 ---------------------------------------------------------- 我的 CODE 是用 R 寫的，因為使用parallel，必須在 linux 環境下才能執行 https://github.com/f496328mm/kaggle_Production_Line 問題主要是 生產線分析 需要預測該產品是 良品 or 不良品 詳細過程我都寫在 github 上， 由於我沒有相關經驗，部分方法參考 kaggle 的 kernel ， 文筆可能不夠好，如果有問題可以直接寄信給我 --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 134.208.26.102 ※ 文章網址: https://webptt.com/m.aspx?n=bbs/R_Language/M.1497257737.A.19D.html 蠻多人問我為什麼不比真的比賽QQ 說實話 真的比賽我可能做不到這樣的結果 我做這些主要是因為 1. 我先從我有興趣的問題學習 2. 當前的比賽有時間壓力，比賽時間長度大多都是2~3個月， 事實上我幾乎都超過這些時間，不過多做幾個問題後，速度有變快 如果大家看過我參考的kernel，應該會發現，對方的結果比我好， 那為什麼要看我的文章呢？ 有幾點我稍微說明： 1. 在 numeric 資料中，對方直接從900個變數中取10個， 但是並沒有告知"為什麼"是這10個，而我有說明我最後如何選擇 2. 在對 date 進行的 Feature Engineering (1) ， 對方是使用 all and L3 生產線資料，進行特徵工程，但是為什麼選這些? 實際上生產線有 L0 L1 L2 L3 而我是使用 all, L0, L1, L2, L3，這樣感覺比較合理 主要想法是，先盡可能製造 feature，再去做 feature selection， 3. 參數部分，可能不是這麼重要，不過也稍微提一下 (1): 他 nrounds 設定為 65, why? 不過這其實不是重點 (2): 他使用 2700 當作分界點，簡單來講，他認為在 test data 中 只有 2700 個不良品，但是實際上在 train data 中， 有 6879 不良品，差異頗大，所以並不清楚為何是 2700 ， 　　　　而我是用 0.25 當作分界點，我是進行測試 0.1 -> 0.2 -> 0.25 實際上我還差得很遠，就慢慢累積經驗了，有些問題也要請大大多多指教 ※ 編輯: f496328mm (134.208.26.105), 06/13/2017 11:17:38