大数据建模大赛辅导实战
【课程目标】
本课程主要面向专业人士的大数据建模竞赛辅导需求（假定学员已经完成Python建模及优化--回归篇/分类篇的学习）。
通过本课程的学习，达到如下目的：
- 熟悉大赛常用集成模型
- 掌握模型优化常用措施，掌握超参优化策略
- 掌握特征工程处理，以及对模型质量的影响
- 掌握建模工程管道类(Pipeline, ColumnTransformer)的使用
【授课时间】
2-3天时间，大致内容安排（会根据需求和学员水平调整进度）
|
时间
|
主题
|
具体内容
|
目的
|
|
第一天
上午
|
建模流程
|
建模步骤
模型评估指标
模型基本原理
|
常用建模步骤，构建通用common模型，完成模型训练、评估等的封装
|
|
第一天
下午
|
数据清洗
|
数据清洗
缺失值填充
|
- 理解异常数据对模型的影响
- 缺失值常用的填充方式(固定值、分类填充、拉格朗日、预测填充)
- 不同填充对模型的影响
|
|
第二天
上午
|
特征选择
|
特征选择模式
(Filter/Wrapper/Embedded)
|
- 特征选择的封装实现
- 优缺点及应用场景
(SelectKBest,REF,SelectFromModel)
|
|
第二天
下午
|
变量降维
|
因子分析
主成份分析
管道实现
|
- 变量降维PCA/FA
- 掌握管道处理技能 (Pipeline, FeatureUnion, ColumnsTransformer等)
|
|
第三天
上午
|
变量变换
|
变量派生
变量标准化
模型集成思想
|
- 利用探索性分析，指导变量派生
- 不同标准化对模型的影响
- 特征处理的不同顺序对模型效果的影响
|
|
第三天下午
|
超参优化
|
超参优化方法
欠拟合优化
过拟合优化
其它优化(性能、样本均衡处理)
|
- 不同超参的作用(欠拟合/过拟合)
- 超参优化方法
- 超参优化策略
- Stacking集成
|
【授课对象】
参加大数据建模大赛的IT专业人士。
要求精通Python语言，熟悉sklearn库的基本使用等。
【授课方式】
理论框架 + 落地措施 + 实战训练
