[分享] Kaggle Bosch 生產線分析 74名, 前6%

[f496328mm (123)]

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://www.ptt.cc/bbs/R_Language/M.1497257737.A.19D.html
推 andrew43: 感謝分享！
推 jason91818: 推推
推 kenny914: 感謝分享！！
→ a78998042a: 有分享有推
推 penolove: 推， 想問怎麼不比 正在進行的比賽呢
推 zardabab: kaggle前100名，這真的很厲害~
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
推 sxskr1001: 推
推 Luluemiko: 推
推 bobju: 路過推
推 cuqote4: 推