- A榜第九 B榜第二十六
numpy==1.19.5 pandas==1.1.5 scipy==1.5.4 scikit-learn==0.24.2 lightgbm==3.3.2 tqdm==4.62.3
- 原始特征简单处理，统一减二，（基于2是出题方为了脱敏进行的变换）
- 特征交叉 +-x/、group组合以及数值与类别变量交叉
- 特征重要性进行特征遍历筛选，选择线下高于一定得分的模型（使用不同特征组合）进行融合
- A榜线上线下相对较为一致，提升比较稳定
- 完整特征大约需要50G内存（在笔记本上请谨慎运行）
- 观察完数据与其他选手分享的得分之后就一个思路 找毒特 ！！
- 训练集与测试集分布不一致的特征-删除
- 首先通过对抗验证的思路找到auc指标远大于0.5的特征，（这些特征名中有较大一部分带有CUR，猜测测试集中的数据取自和训练集不同的年份，导致差异显著）遂全部删除带有CUR的特征
- 然后玄学删除特征 （总结发现的主要规律是线下越低，线上越高【奇怪的现象】）
- 上一步骤主要通过特征重要性，迭代删除最重要的特征（和A榜做法相反，以获得更低的线下得分和更高的线上得分）
- 提交进行玄学测试（次数有限，做的很差））