雷鋒網(wǎng) AI科技評論按，本文首發(fā)于知乎專欄AI帶路黨，作者吳曉暉，雷鋒網(wǎng) AI科技評論獲其授權(quán)轉(zhuǎn)載。

不知道你有沒有這樣的感受，在剛剛?cè)腴T機(jī)器學(xué)習(xí)的時候，我們一般都是從MNIST、CIFAR-10這一類知名公開數(shù)據(jù)集開始快速上手，復(fù)現(xiàn)別人的結(jié)果，但總覺得過于簡單，給人的感覺太不真實(shí)。因?yàn)檫@些數(shù)據(jù)太“完美”了（干凈的輸入，均衡的類別，分布基本一致的測試集，還有大量現(xiàn)成的參考模型），要成為真正的數(shù)據(jù)科學(xué)家，光在這些數(shù)據(jù)集上跑模型是遠(yuǎn)遠(yuǎn)不夠的?，F(xiàn)實(shí)中你幾乎不可能遇到這樣的數(shù)據(jù)（現(xiàn)實(shí)數(shù)據(jù)往往有著殘缺的輸入，類別嚴(yán)重不均衡，分布不一致甚至隨時變動的測試集，幾乎沒有可以參考的論文），這往往讓剛進(jìn)入工作的同學(xué)手忙腳亂，無所適從。

Kaggle則提供了一個介于“完美”與真實(shí)之間的過渡，問題的定義基本良好，卻夾著或多或少的難點(diǎn)，一般沒有完全成熟的解決方案。在參賽過程中與論壇上的其他參賽者互動，能不斷地獲得啟發(fā)，受益良多。即使對于一些學(xué)有所成的高手乃至大牛，參加Kaggle也常常會獲得很多啟發(fā)，與來自世界各地的隊(duì)伍進(jìn)行廝殺的刺激更讓人欲罷不能。更重要的是，Kaggle是業(yè)界普遍承認(rèn)的競賽平臺，能從Kaggle上的一些高質(zhì)量競賽獲取好名次，是對自己實(shí)力極好的證明，還能給自己的履歷添上光輝的一筆。如果能獲得金牌，殺入獎金池，那更是名利兼收，再好不過。

Kaggle適用于以下人群：

• 我是小白，但是對數(shù)據(jù)科學(xué)充滿求知欲。

• 我想要?dú)v練自己的數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)技能，成為一名真正的數(shù)據(jù)科(lao)學(xué)(si)家(ji)。

• 我想贏取獎金，成為人生贏家。

簡介

Kaggle創(chuàng)辦于2010年，目前已經(jīng)被Google收購，是全球頂級的數(shù)據(jù)科學(xué)競賽平臺，在數(shù)據(jù)科學(xué)領(lǐng)域中享有盛名。筆者參加了由Quora舉辦的Quora Question Pairs比賽，并且獲得了前1%的成績(3307支隊(duì)伍)。這是筆者Kaggle首戰(zhàn)，所以寫下此文來系統(tǒng)化地梳理比賽的思路，并且和大家分享我們參賽的一些心得。

Quora Question Pairs是一個自然語言(NLP)比賽，比賽的題目可以簡單地概括為“預(yù)測兩個問句的語義相似的概率”。其中的樣本如下：

也許是作為Kaggle上為數(shù)不多的NLP比賽，這看似簡單的比賽卻吸引了眾多的參賽隊(duì)伍。由于這是NLP問題，所以接下來的介紹都會偏向于NLP，本文會分為以下三個部分：

1. 打Kaggle比賽的大致套路。（比賽篇）

2. 我們隊(duì)伍和其他出色隊(duì)伍的參賽經(jīng)驗(yàn)。（經(jīng)驗(yàn)篇）

3. 完成Kaggle比賽需要學(xué)會哪些實(shí)用的工具。（工具篇）

1、比賽篇

為了方便，我們先定義幾個名詞：

1. Feature 特征變量，也叫自變量，是樣本可以觀測到的特征，通常是模型的輸入。

2. Label 標(biāo)簽，也叫目標(biāo)變量，需要預(yù)測的變量，通常是模型的標(biāo)簽或者輸出。

3. Train Data 訓(xùn)練數(shù)據(jù)，有標(biāo)簽的數(shù)據(jù)，由舉辦方提供。

4. Test Data 測試數(shù)據(jù)，標(biāo)簽未知，是比賽用來評估得分的數(shù)據(jù)，由舉辦方提供。

5. Train Set訓(xùn)練集，從Train Data中分割得到的，用于訓(xùn)練模型（常用于交叉驗(yàn)證）。

6. Valid Set 驗(yàn)證集，從Train Data中分割得到的，用于驗(yàn)證模型（常用于交叉驗(yàn)證）。

1.1分析題目

拿到賽題以后，第一步就是要破題，我們需要將問題轉(zhuǎn)化為相應(yīng)的機(jī)器學(xué)習(xí)問題。其中，Kaggle最常見的機(jī)器學(xué)習(xí)問題類型有：

1. 回歸問題

2. 分類問題(二分類、多分類、多標(biāo)簽)：多分類只需從多個類別中預(yù)測一個類別，而多標(biāo)簽則需要預(yù)測出多個類別。

比如Quora的比賽就是二分類問題，因?yàn)橹恍枰袛鄡蓚€問句的語義是否相似。

1.2 數(shù)據(jù)分析(Data Exploration)

所謂數(shù)據(jù)挖掘，當(dāng)然是要從數(shù)據(jù)中去挖掘我們想要的東西，我們需要通過人為地去分析數(shù)據(jù)，才可以發(fā)現(xiàn)數(shù)據(jù)中存在的問題和特征。我們需要在觀察數(shù)據(jù)的過程中思考以下幾個問題：

1. 數(shù)據(jù)應(yīng)該怎么清洗和處理才是合理的？

2. 根據(jù)數(shù)據(jù)的類型可以挖掘怎樣的特征？

3. 數(shù)據(jù)中的哪些特征會對標(biāo)簽的預(yù)測有幫助？

1.2.1 統(tǒng)計(jì)分析

對于數(shù)值類變量(Numerical Variable)，我們可以得到min，max，mean，meduim，std等統(tǒng)計(jì)量，用pandas可以方便地完成，結(jié)果如下：

從上圖中可以觀察Label是否均衡，如果不均衡則需要進(jìn)行over sample少數(shù)類，或者down sample多數(shù)類。我們還可以統(tǒng)計(jì)Numerical Variable之間的相關(guān)系數(shù)，用pandas就可以輕松獲得相關(guān)系數(shù)矩陣：

觀察相關(guān)系數(shù)矩陣可以讓你找到高相關(guān)的特征，以及特征之間的冗余度。而對于文本變量，可以統(tǒng)計(jì)詞頻(TF)，TF-IDF，文本長度等等，更詳細(xì)的內(nèi)容可以參考這里（https://www.kaggle.com/sudalairajkumar/simple-leaky-exploration-notebook-quora?scriptVersionId=1184830）

1.2.2 可視化

人是視覺動物，更容易接受圖形化的表示，因此可以將一些統(tǒng)計(jì)信息通過圖表的形式展示出來，方便我們觀察和發(fā)現(xiàn)。比如用直方圖展示問句的頻數(shù)：

或者繪制相關(guān)系數(shù)矩陣:

常用的可視化工具有matplotlib和seaborn。當(dāng)然，你也可以跳過這一步，因?yàn)榭梢暬皇墙鉀Q問題的重點(diǎn)。

1.3 數(shù)據(jù)預(yù)處理(Data Preprocessing)

剛拿到手的數(shù)據(jù)會出現(xiàn)噪聲，缺失，臟亂等現(xiàn)象，我們需要對數(shù)據(jù)進(jìn)行清洗與加工，從而方便進(jìn)行后續(xù)的工作。針對不同類型的變量，會有不同的清洗和處理方法：

1. 對于數(shù)值型變量(Numerical Variable)，需要處理離群點(diǎn)，缺失值，異常值等情況。

2. 對于類別型變量(Categorical Variable)，可以轉(zhuǎn)化為one-hot編碼。

3. 文本數(shù)據(jù)是較難處理的數(shù)據(jù)類型，文本中會有垃圾字符，錯別字(詞)，數(shù)學(xué)公式，不統(tǒng)一單位和日期格式等。我們還需要處理標(biāo)點(diǎn)符號，分詞，去停用詞，對于英文文本可能還要詞性還原(lemmatize)，抽取詞干(stem)等等。

1.4 特征工程(Feature Engineering)

都說特征為王，特征是決定效果最關(guān)鍵的一環(huán)。我們需要通過探索數(shù)據(jù)，利用人為先驗(yàn)知識，從數(shù)據(jù)中總結(jié)出特征。

1.4.1 特征抽取(Feature Extraction)

我們應(yīng)該盡可能多地抽取特征，只要你認(rèn)為某個特征對解決問題有幫助，它就可以成為一個特征。特征抽取需要不斷迭代，是最為燒腦的環(huán)節(jié)，它會在整個比賽周期折磨你，但這是比賽取勝的關(guān)鍵，它值得你耗費(fèi)大量的時間。

那問題來了，怎么去發(fā)現(xiàn)特征呢？光盯著數(shù)據(jù)集肯定是不行的。如果你是新手，可以先耗費(fèi)一些時間在Forum上，看看別人是怎么做Feature Extraction的，并且多思考。雖然Feature Extraction特別講究經(jīng)驗(yàn)，但其實(shí)還是有章可循的：

1. 對于Numerical Variable，可以通過線性組合、多項(xiàng)式組合來發(fā)現(xiàn)新的Feature。

2. 對于文本數(shù)據(jù)，有一些常規(guī)的Feature。比如，文本長度，Embeddings，TF-IDF，LDA，LSI等，你甚至可以用深度學(xué)習(xí)提取文本特征（隱藏層）。

3. 如果你想對數(shù)據(jù)有更深入的了解，可以通過思考數(shù)據(jù)集的構(gòu)造過程來發(fā)現(xiàn)一些magic feature，這些特征有可能會大大提升效果。在Quora這次比賽中，就有人公布了一些magic feature。

4. 通過錯誤分析也可以發(fā)現(xiàn)新的特征（見1.5.2小節(jié)）。

1.4.2 特征選擇(Feature Selection)

在做特征抽取的時候，我們是盡可能地抽取更多的Feature，但過多的Feature會造成冗余，噪聲，容易過擬合等問題，因此我們需要進(jìn)行特征篩選。特征選擇可以加快模型的訓(xùn)練速度，甚至還可以提升效果。

特征選擇的方法多種多樣，最簡單的是相關(guān)度系數(shù)(Correlation coefficient)，它主要是衡量兩個變量之間的線性關(guān)系，數(shù)值在[-1.0, 1.0]區(qū)間中。數(shù)值越是接近0，兩個變量越是線性不相關(guān)。但是數(shù)值為0，并不能說明兩個變量不相關(guān)，只是線性不相關(guān)而已。

我們通過一個例子來學(xué)習(xí)一下怎么分析相關(guān)系數(shù)矩陣：

相關(guān)系數(shù)矩陣是一個對稱矩陣，所以只需要關(guān)注矩陣的左下角或者右上角。我們可以拆成兩點(diǎn)來看：

1. Feature和Label的相關(guān)度可以看作是該Feature的重要度，越接近1或-1就越好。

2. Feature和Feature之間的相關(guān)度要低，如果兩個Feature的相關(guān)度很高，就有可能存在冗余。

除此之外，還可以訓(xùn)練模型來篩選特征，比如帶L1或L2懲罰項(xiàng)的Linear Model、Random Forest、GDBT等，它們都可以輸出特征的重要度。在這次比賽中，我們對上述方法都進(jìn)行了嘗試，將不同方法的平均重要度作為最終參考指標(biāo)，篩選掉得分低的特征。

1.5 建模(Modeling)

終于來到機(jī)器學(xué)習(xí)了，在這一章，我們需要開始煉丹了。

1.5.1 模型

機(jī)器學(xué)習(xí)模型有很多，建議均作嘗試，不僅可以測試效果，還可以學(xué)習(xí)各種模型的使用技巧。其實(shí)，幾乎每一種模型都有回歸和分類兩種版本，常用模型有：

• KNN

• SVM

• Linear Model（帶懲罰項(xiàng)）

• ExtraTree

• RandomForest

• Gradient Boost Tree

• Neural Network

幸運(yùn)的是，這些模型都已經(jīng)有現(xiàn)成的工具（如scikit-learn、XGBoost、LightGBM等）可以使用，不用自己重復(fù)造輪子。但是我們應(yīng)該要知道各個模型的原理，這樣在調(diào)參的時候才會游刃有余。當(dāng)然，你也可以使用PyTorch／Tensorflow／Keras等深度學(xué)習(xí)工具來定制自己的Deep Learning模型，玩出自己的花樣。

1.5.2 錯誤分析

人無完人，每個模型不可能都是完美的，它總會犯一些錯誤。為了解某個模型在犯什么錯誤，我們可以觀察被模型誤判的樣本，總結(jié)它們的共同特征，我們就可以再訓(xùn)練一個效果更好的模型。這種做法有點(diǎn)像后面Ensemble時提到的Boosting，但是我們是人為地觀察錯誤樣本，而Boosting是交給了機(jī)器。通過錯誤分析->發(fā)現(xiàn)新特征->訓(xùn)練新模型->錯誤分析，可以不斷地迭代出更好的效果，并且這種方式還可以培養(yǎng)我們對數(shù)據(jù)的嗅覺。

舉個例子，這次比賽中，我們在錯誤分析時發(fā)現(xiàn)，某些樣本的兩個問句表面上很相似，但是句子最后提到的地點(diǎn)不一樣，所以其實(shí)它們是語義不相似的，但我們的模型卻把它誤判為相似的。比如這個樣本：

• Question1: Which is the best digital marketing institution in banglore?

• Question2: Which is the best digital marketing institute in Pune?

為了讓模型可以處理這種樣本，我們將兩個問句的最長公共子串(Longest Common Sequence)去掉，用剩余部分訓(xùn)練一個新的深度學(xué)習(xí)模型，相當(dāng)于告訴模型看到這種情況的時候就不要判斷為相似的了。因此，在加入這個特征后，我們的效果得到了一些提升。

1.5.3 調(diào)參

在訓(xùn)練模型前，我們需要預(yù)設(shè)一些參數(shù)來確定模型結(jié)構(gòu)（比如樹的深度）和優(yōu)化過程（比如學(xué)習(xí)率），這種參數(shù)被稱為超參（Hyper-parameter），不同的參數(shù)得到的模型效果也會不同?？偸钦f調(diào)參就像是在“煉丹”，像一門“玄學(xué)”，但是根據(jù)經(jīng)驗(yàn)，還是可以找到一些章法的：

1. 根據(jù)經(jīng)驗(yàn)，選出對模型效果影響較大的超參。

2. 按照經(jīng)驗(yàn)設(shè)置超參的搜索空間，比如學(xué)習(xí)率的搜索空間為[0.001，0.1]。

3. 選擇搜索算法，比如Random Search、Grid Search和一些啟發(fā)式搜索的方法。

4. 驗(yàn)證模型的泛化能力（詳見下一小節(jié)）。

1.5.4 模型驗(yàn)證(Validation)

在Test Data的標(biāo)簽未知的情況下，我們需要自己構(gòu)造測試數(shù)據(jù)來驗(yàn)證模型的泛化能力，因此把Train Data分割成Train Set和Valid Set兩部分，Train Set用于訓(xùn)練，Valid Set用于驗(yàn)證。

• 簡單分割

將Train Data按一定方法分成兩份，比如隨機(jī)取其中70%的數(shù)據(jù)作為Train Set，剩下30%作為Valid Set，每次都固定地用這兩份數(shù)據(jù)分別訓(xùn)練模型和驗(yàn)證模型。這種做法的缺點(diǎn)很明顯，它沒有用到整個訓(xùn)練數(shù)據(jù)，所以驗(yàn)證效果會有偏差。通常只會在訓(xùn)練數(shù)據(jù)很多，模型訓(xùn)練速度較慢的時候使用。

• 交叉驗(yàn)證

交叉驗(yàn)證是將整個訓(xùn)練數(shù)據(jù)隨機(jī)分成K份，訓(xùn)練K個模型，每次取其中的K-1份作為Train Set，留出1份作為Valid Set，因此也叫做K-fold。至于這個K，你想取多少都可以，但一般選在3～10之間。我們可以用K個模型得分的mean和std，來評判模型的好壞（mean體現(xiàn)模型的能力，std體現(xiàn)模型是否容易過擬合），并且用K-fold的驗(yàn)證結(jié)果通常會比較可靠。

如果數(shù)據(jù)出現(xiàn)Label不均衡情況，可以使用Stratified K-fold，這樣得到的Train Set和Test Set的Label比例是大致相同。

1.6 模型集成(Ensemble)

曾經(jīng)聽過一句話，”Feature為主，Ensemble為后”。Feature決定了模型效果的上限，而Ensemble就是讓你更接近這個上限。Ensemble講究“好而不同”，不同是指模型的學(xué)習(xí)到的側(cè)重面不一樣。舉個直觀的例子，比如數(shù)學(xué)考試，A的函數(shù)題做的比B好，B的幾何題做的比A好，那么他們合作完成的分?jǐn)?shù)通常比他們各自單獨(dú)完成的要高。

常見的Ensemble方法有Bagging、Boosting、Stacking、Blending。

1.6.1 Bagging

Bagging是將多個模型（基學(xué)習(xí)器）的預(yù)測結(jié)果簡單地加權(quán)平均或者投票。Bagging的好處在于可以并行地訓(xùn)練基學(xué)習(xí)器，其中Random Forest就用到了Bagging的思想。舉個通俗的例子，如下圖：

老師出了兩道加法題，A同學(xué)和B同學(xué)答案的加權(quán)要比A和B各自回答的要精確。

Bagging通常是沒有一個明確的優(yōu)化目標(biāo)的，但是有一種叫Bagging Ensemble Selection的方法，它通過貪婪算法來Bagging多個模型來優(yōu)化目標(biāo)值。在這次比賽中，我們也使用了這種方法。

1.6.2 Boosting

Boosting的思想有點(diǎn)像知錯能改，每訓(xùn)練一個基學(xué)習(xí)器，是為了彌補(bǔ)上一個基學(xué)習(xí)器所犯的錯誤。其中著名的算法有AdaBoost，Gradient Boost。Gradient Boost Tree就用到了這種思想。

我在1.2.3節(jié)(錯誤分析)中提到Boosting，錯誤分析->抽取特征->訓(xùn)練模型->錯誤分析，這個過程就跟Boosting很相似。

1.6.3 Stacking

Stacking是用新的模型（次學(xué)習(xí)器）去學(xué)習(xí)怎么組合那些基學(xué)習(xí)器，它的思想源自于Stacked Generalization（http://www.machine-learning.martinsewell.com/ensembles/stacking/Wolpert1992.pdf）這篇論文。如果把Bagging看作是多個基分類器的線性組合，那么Stacking就是多個基分類器的非線性組合。Stacking可以很靈活，它可以將學(xué)習(xí)器一層一層地堆砌起來，形成一個網(wǎng)狀的結(jié)構(gòu)，如下圖：

舉個更直觀的例子，還是那兩道加法題：

這里A和B可以看作是基學(xué)習(xí)器，C、D、E都是次學(xué)習(xí)器。

• Stage1:  A和B各自寫出了答案。

• Stage2:  C和D偷看了A和B的答案，C認(rèn)為A和B一樣聰明，D認(rèn)為A比B聰明一點(diǎn)。他們各自結(jié)合了A和B的答案后，給出了自己的答案。

• Stage3:  E偷看了C和D的答案，E認(rèn)為D比C聰明，隨后E也給出自己的答案作為最終答案。

在實(shí)現(xiàn)Stacking時，要注意的一點(diǎn)是，避免標(biāo)簽泄漏(Label Leak)。在訓(xùn)練次學(xué)習(xí)器時，需要上一層學(xué)習(xí)器對Train Data的測試結(jié)果作為特征。如果我們在Train Data上訓(xùn)練，然后在Train Data上預(yù)測，就會造成Label Leak。為了避免Label Leak，需要對每個學(xué)習(xí)器使用K-fold，將K個模型對Valid Set的預(yù)測結(jié)果拼起來，作為下一層學(xué)習(xí)器的輸入。如下圖：

由圖可知，我們還需要對Test Data做預(yù)測。這里有兩種選擇，可以將K個模型對Test Data的預(yù)測結(jié)果求平均，也可以用所有的Train Data重新訓(xùn)練一個新模型來預(yù)測Test Data。所以在實(shí)現(xiàn)過程中，我們最好把每個學(xué)習(xí)器對Train Data和對Test Data的測試結(jié)果都保存下來，方便訓(xùn)練和預(yù)測。

對于Stacking還要注意一點(diǎn)，固定K-fold可以盡量避免Valid Set過擬合，也就是全局共用一份K-fold，如果是團(tuán)隊(duì)合作，組員之間也是共用一份K-fold。如果想具體了解為什么需要固定K-fold，請看這里（https://www.zhihu.com/question/61467937/answer/188191424）。

1.6.4 Blending

Blending與Stacking很類似，它們的區(qū)別可以參考這里（https://mlwave.com/kaggle-ensembling-guide/）

1.7 后處理

有些時候在確認(rèn)沒有過擬合的情況下，驗(yàn)證集上做校驗(yàn)時效果挺好，但是將測試結(jié)果提交后的分?jǐn)?shù)卻不如人意，這時候就有可能是訓(xùn)練集的分布與測試集的分布不一樣而導(dǎo)致的。這時候?yàn)榱颂岣週eaderBoard的分?jǐn)?shù)，還需要對測試結(jié)果進(jìn)行分布調(diào)整。

比如這次比賽，訓(xùn)練數(shù)據(jù)中正類的占比為0.37，那么預(yù)測結(jié)果中正類的比例也在0.37左右，然后Kernel上有人通過測試知道了測試數(shù)據(jù)中正類的占比為0.165，所以我們也對預(yù)測結(jié)果進(jìn)行了調(diào)整，得到了更好的分?jǐn)?shù)。具體可以看這里（https://www.kaggle.com/davidthaler/how-many-1-s-are-in-the-public-lb）。

2、經(jīng)驗(yàn)篇

2.1 我們的方案（33th）

深度學(xué)習(xí)具有很好的模型擬合能力，使用深度學(xué)習(xí)可以較快得獲取一個不錯的Baseline，對這個問題整體的難度有一個初始的認(rèn)識。雖然使用深度學(xué)習(xí)可以免去繁瑣的手工特征，但是它也有能力上限，所以提取傳統(tǒng)手工特征還是很有必要的。我們嘗試Forum上別人提供的方法，也嘗試自己思考去抽取特征?？偨Y(jié)一下，我們抽取的手工特征可以分為以下4種：

1. Text Mining Feature，比如句子長度；兩個句子的文本相似度，如N-gram的編輯距離，Jaccard距離等；兩個句子共同的名詞，動詞，疑問詞等。

2. Embedding Feature，預(yù)訓(xùn)練好的詞向量相加求出句子向量，然后求兩個句子向量的距離，比如余弦相似度、歐式距離等等。

3. Vector Space Feature，用TF-IDF矩陣來表示句子，求相似度。

4. Magic Feature，是Forum上一些選手通過思考數(shù)據(jù)集構(gòu)造過程而發(fā)現(xiàn)的Feature，這種Feature往往與Label有強(qiáng)相關(guān)性，可以大大提高預(yù)測效果。

我們的系統(tǒng)整體上使用了Stacking的框架，如下圖：

• Stage1:  將兩個問句與Magic Feature輸入Deep Learning中，將其輸出作為下一層的特征（這里的Deep Learning相當(dāng)于特征抽取器）。我們一共訓(xùn)練了幾十個Deep Learning Model。

• Stage2:  將Deep Learning特征與手工抽取的幾百個傳統(tǒng)特征拼在一起，作為輸入。在這一層，我們訓(xùn)練各種模型，有成百上千個。

• Stage3: 上一層的輸出進(jìn)行Ensemble Selection。

比賽中發(fā)現(xiàn)的一些深度學(xué)習(xí)的局限：

通過對深度學(xué)習(xí)產(chǎn)生的結(jié)果進(jìn)行錯誤分析，并且參考論壇上別人的想法，我們發(fā)現(xiàn)深度學(xué)習(xí)沒辦法學(xué)到的特征大概可以分為兩類：

1. 對于一些數(shù)據(jù)的Pattern，在Train Data中出現(xiàn)的頻數(shù)不足以讓深度學(xué)習(xí)學(xué)到對應(yīng)的特征，所以我們需要通過手工提取這些特征。

2. 由于Deep Learning對樣本做了獨(dú)立同分布假設(shè)（iid），一般只能學(xué)習(xí)到每個樣本的特征，而學(xué)習(xí)到數(shù)據(jù)的全局特征，比如TF-IDF這一類需要統(tǒng)計(jì)全局詞頻才能獲取的特征，因此也需要手工提取這些特征。

傳統(tǒng)的機(jī)器學(xué)習(xí)模型和深度學(xué)習(xí)模型之間也存在表達(dá)形式上的不同。雖然傳統(tǒng)模型的表現(xiàn)未必比深度學(xué)習(xí)好，但它們學(xué)到的Pattern可能不同，通過Ensemble來取長補(bǔ)短，也能帶來性能上的提升。因此，同時使用傳統(tǒng)模型也是很有必要的。

2.2 第一名的解決方案

比賽結(jié)束不久，第一名也放出了他們的解決方案（https://www.kaggle.com/c/quora-question-pairs/discussion/34355），我們來看看他們的做法。他們的特征總結(jié)為三個類別：

1. Embedding Feature

2. Text Mining Feature

3. Structural Feature（他們自己挖掘的Magic Feature）

并且他們也使用了Stacking的框架，并且使用固定的k-fold：

• Stage1: 使用了Deep Learning，XGBoost，LightGBM，ExtraTree，Random Forest，KNN等300個模型。

• Stage2: 用了手工特征和第一層的預(yù)測和深度學(xué)習(xí)模型的隱藏層，并且訓(xùn)練了150個模型。

• Stage3: 使用了分別是帶有L1和L2的兩種線性模型。

• Stage4: 將第三層的結(jié)果加權(quán)平均。

對比以后發(fā)現(xiàn)我們沒有做LDA、LSI等特征，并且N-gram的粒度沒有那么細(xì)（他們用了8-gram），還有他們對Magic Feature的挖掘更加深入。還有一點(diǎn)是他們的Deep Learning模型設(shè)計(jì)更加合理，他們將篩選出來的手工特征也輸入到深度學(xué)習(xí)模型當(dāng)中，我覺得這也是他們?nèi)〉煤眯Ч年P(guān)鍵。因?yàn)轱@式地將手工特征輸入給深度學(xué)習(xí)模型，相當(dāng)于告訴“它你不用再學(xué)這些特征了，你去學(xué)其他的特征吧”，這樣模型就能學(xué)到更多的語義信息。所以，我們跟他們的差距還是存在的。

3、工具篇

工欲善其事，必先利其器。

Kaggle 的常用工具除了大家耳熟能詳?shù)腦GBoost之外, 這里要著重推薦的是一款由微軟推出的LightGBM，這次比賽中我們就用到了。LightGBM的用法與XGBoost相似，兩者使用的區(qū)別是XGBoost調(diào)整的一個重要參數(shù)是樹的高度，而LightGBM調(diào)整的則是葉子的數(shù)目。與XGBoost 相比, 在模型訓(xùn)練時速度快, 單模型的效果也略勝一籌。

調(diào)參也是一項(xiàng)重要工作，調(diào)參的工具主要是Hyperopt，它是一個使用搜索算法來優(yōu)化目標(biāo)的通用框架，目前實(shí)現(xiàn)了Random Search和Tree of Parzen Estimators (TPE)兩個算法。

對于 Stacking，Kaggle 的一位名為Μαριο? Μιχαηλιδη?的GrandMaster使用Java開發(fā)了一款集成了各種機(jī)器學(xué)習(xí)算法的工具包StackNet，據(jù)說在使用了它以后你的效果一定會比原來有所提升，值得一試。

以下總結(jié)了一些常用的工具：

• Numpy | 必用的科學(xué)計(jì)算基礎(chǔ)包，底層由C實(shí)現(xiàn)，計(jì)算速度快。

• Pandas | 提供了高性能、易用的數(shù)據(jù)結(jié)構(gòu)及數(shù)據(jù)分析工具。

• NLTK | 自然語言工具包，集成了很多自然語言相關(guān)的算法和資源。

• Stanford CoreNLP | Stanford的自然語言工具包，可以通過NLTK調(diào)用。

• Gensim | 主題模型工具包，可用于訓(xùn)練詞向量，讀取預(yù)訓(xùn)練好的詞向量。

• scikit-learn | 機(jī)器學(xué)習(xí)Python包 ，包含了大部分的機(jī)器學(xué)習(xí)算法。

• XGBoost／LightGBM | Gradient Boosting 算法的兩種實(shí)現(xiàn)框架。

• PyTorch／TensorFlow／Keras | 常用的深度學(xué)習(xí)框架。

• StackNet |  準(zhǔn)備好特征之后，可以直接使用的Stacking工具包。

• Hyperopt | 通用的優(yōu)化框架，可用于調(diào)參。

4、總結(jié)與建議

1. 在參加某個比賽前，要先衡量自己的機(jī)器資源能否足夠支撐你完成比賽。比如一個有幾萬張圖像的比賽，而你的顯存只有2G，那很明顯你是不適合參加這個比賽的。當(dāng)你選擇了一個比賽后，可以先“熱熱身”，稍微熟悉一下數(shù)據(jù)，粗略地跑出一些簡單的模型，看看自己在榜上的排名，然后再去慢慢迭代。

2. Kaggle有許多大牛分享Kernel, 有許多Kernel有對于數(shù)據(jù)精辟的分析，以及一些baseline 模型, 對于初學(xué)者來說是很好的入門資料。在打比賽的過程中可以學(xué)習(xí)別人的分析方法，有利于培養(yǎng)自己數(shù)據(jù)嗅覺。甚至一些Kernel會給出一些data leak，會對于比賽提高排名有極大的幫助。

3. 其次是Kaggle已經(jīng)舉辦了很多比賽, 有些比賽有類似之處, 比如這次的Quora比賽就與之前的Home Depot Product Search Relevance 有相似之處，而之前的比賽前幾名已經(jīng)放出了比賽的idea甚至代碼，這些都可以借鑒。

4. 另外，要足夠地重視Ensemble，這次我們組的最終方案實(shí)現(xiàn)了paper " Ensemble Selection from Libraries of Models" 的想法，所以有些比賽可能還需要讀一些paper，尤其對于深度學(xué)習(xí)相關(guān)的比賽，最新paper，最新模型的作用就舉足輕重了。

5. 而且，將比賽代碼的流程自動化，是提高比賽效率的一個關(guān)鍵，但是往往初學(xué)者并不能很好地實(shí)現(xiàn)自己的自動化系統(tǒng)。我的建議是初學(xué)者不要急于構(gòu)建自動化系統(tǒng)，當(dāng)你基本完成整個比賽流程后，自然而然地就會在腦海中形成一個框架，這時候再去構(gòu)建你的自動化系統(tǒng)會更加容易。

6. 最后，也是最重要的因素之一就是時間的投入，對于這次比賽， 我們投入了差不多三個多月，涉及到了對于各種能夠想到的方案的嘗試。尤其最后一個月，基本上每天除了睡覺之外的時間都在做比賽。所以要想在比賽中拿到好名次，時間的投入必不可少。另外對于國外一些介紹kaggle比賽的博客(比如官方博客)也需要了解學(xué)習(xí)，至少可以少走彎路，本文的結(jié)尾列出了一些參考文獻(xiàn)，都值得細(xì)細(xì)研讀。

7. 最后的最后，請做好心理準(zhǔn)備，這是一場持久戰(zhàn)。因?yàn)楸荣悤o你帶來壓力，也許過了一晚，你的排名就會一落千丈。還有可能造成出現(xiàn)失落感，焦慮感，甚至失眠等癥狀。但請你相信，它會給你帶來意想不到的驚喜，認(rèn)真去做，你會覺得這些都是值得的。

5. 致謝

感謝@劉思聰對本文詳細(xì)審閱，也感謝@鄭華濱對本文的指正。同時也感謝@一壺酒兮真狂士和@ChingKitWong在比賽期間帶我一起努力拼殺，真的學(xué)到了很多。

參考文獻(xiàn)：

1. Paper: Ensemble Selection from Libraries of Models

2. Kaggle 數(shù)據(jù)挖掘比賽經(jīng)驗(yàn)分享

3. Kaggle Ensembling Guide

如有錯誤之處，歡迎各位批評指正。如需轉(zhuǎn)載請私信聯(lián)系。

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。