/

/

AlfaCompML

Обзор ДокументацияВойти

/

/

AlfaCompML

Аналитика

Безопасность

AlfaCompML

Публичный

Описание

Проект ML для соревновательной задачи Alfa Bank (https://www.kaggle.com/competitions/alfa-challenge).

86 KiB

В избранном0

Языки

Jupyter Notebook100%

Сообщить о нарушении

Коммиты:

N

NetMax

Основная ветка master проекта тетрадки Jupyter для соревновательной задачи AlfaBank (https://www.kaggle.com/competitions/alfa-challenge). Основные особенности проекта:

03 янв 2025, 15:08

03 янв 2025, 15:08f604143

Основная ветка master проекта тетрадки Jupyter для соревновательной задачи AlfaBank (https://www.kaggle.com/competitions/alfa-challenge). Основные особенности проекта: 1) Использован фича-инженеринг для генерации новых фичей при помощи группировки временных транзакций и фича-трюк для преобразования большого кол-ва категориальных фичей. 2) Использован фича-трюк для генерации 10 новых фичей из категориальных (можно у величить кол-во новых фичей). 3) Использован Optuna для поиска оптимальных гиперпраметров для XGBRegressor 4) Применен метод перебора для поиска наилучшего регрессора в качестве базовой модели без оптимальных гиперпараметров. 5) Используется запись в файлы новых дата-сетов, т.к. их генерация занимает большое кол-во времени. 6) Используется запись в файл наилучших гиперпараметров в файл. 7) Используется сохранене модели в файл *.pkl для сохранения обученной модели. 8) Итак основные хар-ки проекта: 8.1) Фича-трюк с генератором 10 новых фичей из исходных категориальных фичей 8.2) Базовая модель XGBRegressor 8.3) Основная метрика используемая в алгоритмах MAE (возможно нужно заменить на MSE/RMSE) 8.2) Optuna 8.4) Преобразование полученых искомых таргетов в тип int32 8.5) Private score WMAE=0.77694 8.6) Public score WMAE=0.77833 9) Добавлено использование DVC. 10) Добавлены .dvc/.gitignore .dvc/config в репозиторий git. 10) В DVC добавлены снимки входных файлов датасетов и выходных файлов модели, результатов и сгенерированных фичей.

2 года назад

Основная ветка master проекта тетрадки Jupyter для соревновательной задачи AlfaBank (https://www.kaggle.com/competitions/alfa-challenge). Основные особенности проекта: 1) Использован фича-инженеринг для генерации новых фичей при помощи группировки временных транзакций и фича-трюк для преобразования большого кол-ва категориальных фичей. 2) Использован фича-трюк для генерации 10 новых фичей из категориальных (можно у величить кол-во новых фичей). 3) Использован Optuna для поиска оптимальных гиперпраметров для XGBRegressor 4) Применен метод перебора для поиска наилучшего регрессора в качестве базовой модели без оптимальных гиперпараметров. 5) Используется запись в файлы новых дата-сетов, т.к. их генерация занимает большое кол-во времени. 6) Используется запись в файл наилучших гиперпараметров в файл. 7) Используется сохранене модели в файл *.pkl для сохранения обученной модели. 8) Итак основные хар-ки проекта: 8.1) Фича-трюк с генератором 10 новых фичей из исходных категориальных фичей 8.2) Базовая модель XGBRegressor 8.3) Основная метрика используемая в алгоритмах MAE (возможно нужно заменить на MSE/RMSE) 8.2) Optuna 8.4) Преобразование полученых искомых таргетов в тип int32 8.5) Private score WMAE=0.77694 8.6) Public score WMAE=0.77833 9) Добавлено использование DVC. 10) Добавлены .dvc/.gitignore .dvc/config в репозиторий git. 10) В DVC добавлены снимки входных файлов датасетов и выходных файлов модели, результатов и сгенерированных фичей.

2 года назад

Основная ветка master проекта тетрадки Jupyter для соревновательной задачи AlfaBank (https://www.kaggle.com/competitions/alfa-challenge). Основные особенности проекта: 1) Использован фича-инженеринг для генерации новых фичей при помощи группировки временных транзакций и фича-трюк для преобразования большого кол-ва категориальных фичей. 2) Использован фича-трюк для генерации 10 новых фичей из категориальных (можно у величить кол-во новых фичей). 3) Использован Optuna для поиска оптимальных гиперпраметров для XGBRegressor 4) Применен метод перебора для поиска наилучшего регрессора в качестве базовой модели без оптимальных гиперпараметров. 5) Используется запись в файлы новых дата-сетов, т.к. их генерация занимает большое кол-во времени. 6) Используется запись в файл наилучших гиперпараметров в файл. 7) Используется сохранене модели в файл *.pkl для сохранения обученной модели. 8) Итак основные хар-ки проекта: 8.1) Фича-трюк с генератором 10 новых фичей из исходных категориальных фичей 8.2) Базовая модель XGBRegressor 8.3) Основная метрика используемая в алгоритмах MAE (возможно нужно заменить на MSE/RMSE) 8.2) Optuna 8.4) Преобразование полученых искомых таргетов в тип int32 8.5) Private score WMAE=0.77694 8.6) Public score WMAE=0.77833 9) Добавлено использование DVC. 10) Добавлены .dvc/.gitignore .dvc/config в репозиторий git. 10) В DVC добавлены снимки входных файлов датасетов и выходных файлов модели, результатов и сгенерированных фичей.

2 года назад

Основная ветка master проекта тетрадки Jupyter для соревновательной задачи AlfaBank (https://www.kaggle.com/competitions/alfa-challenge). Основные особенности проекта: 1) Использован фича-инженеринг для генерации новых фичей при помощи группировки временных транзакций и фича-трюк для преобразования большого кол-ва категориальных фичей. 2) Использован фича-трюк для генерации 10 новых фичей из категориальных (можно у величить кол-во новых фичей). 3) Использован Optuna для поиска оптимальных гиперпраметров для XGBRegressor 4) Применен метод перебора для поиска наилучшего регрессора в качестве базовой модели без оптимальных гиперпараметров. 5) Используется запись в файлы новых дата-сетов, т.к. их генерация занимает большое кол-во времени. 6) Используется запись в файл наилучших гиперпараметров в файл. 7) Используется сохранене модели в файл *.pkl для сохранения обученной модели. 8) Итак основные хар-ки проекта: 8.1) Фича-трюк с генератором 10 новых фичей из исходных категориальных фичей 8.2) Базовая модель XGBRegressor 8.3) Основная метрика используемая в алгоритмах MAE (возможно нужно заменить на MSE/RMSE) 8.2) Optuna 8.4) Преобразование полученых искомых таргетов в тип int32 8.5) Private score WMAE=0.77694 8.6) Public score WMAE=0.77833 9) Добавлено использование DVC. 10) Добавлены .dvc/.gitignore .dvc/config в репозиторий git. 10) В DVC добавлены снимки входных файлов датасетов и выходных файлов модели, результатов и сгенерированных фичей.

2 года назад

Основная ветка master проекта тетрадки Jupyter для соревновательной задачи AlfaBank (https://www.kaggle.com/competitions/alfa-challenge). Основные особенности проекта: 1) Использован фича-инженеринг для генерации новых фичей при помощи группировки временных транзакций и фича-трюк для преобразования большого кол-ва категориальных фичей. 2) Использован фича-трюк для генерации 10 новых фичей из категориальных (можно у величить кол-во новых фичей). 3) Использован Optuna для поиска оптимальных гиперпраметров для XGBRegressor 4) Применен метод перебора для поиска наилучшего регрессора в качестве базовой модели без оптимальных гиперпараметров. 5) Используется запись в файлы новых дата-сетов, т.к. их генерация занимает большое кол-во времени. 6) Используется запись в файл наилучших гиперпараметров в файл. 7) Используется сохранене модели в файл *.pkl для сохранения обученной модели. 8) Итак основные хар-ки проекта: 8.1) Фича-трюк с генератором 10 новых фичей из исходных категориальных фичей 8.2) Базовая модель XGBRegressor 8.3) Основная метрика используемая в алгоритмах MAE (возможно нужно заменить на MSE/RMSE) 8.2) Optuna 8.4) Преобразование полученых искомых таргетов в тип int32 8.5) Private score WMAE=0.77694 8.6) Public score WMAE=0.77833 9) Добавлено использование DVC. 10) Добавлены .dvc/.gitignore .dvc/config в репозиторий git. 10) В DVC добавлены снимки входных файлов датасетов и выходных файлов модели, результатов и сгенерированных фичей.

2 года назад

alfa-comp_OPTUNA_XGB_ansamble.ipynb

Основная ветка master проекта тетрадки Jupyter для соревновательной задачи AlfaBank (https://www.kaggle.com/competitions/alfa-challenge). Основные особенности проекта: 1) Использован фича-инженеринг для генерации новых фичей при помощи группировки временных транзакций и фича-трюк для преобразования большого кол-ва категориальных фичей. 2) Использован фича-трюк для генерации 10 новых фичей из категориальных (можно у величить кол-во новых фичей). 3) Использован Optuna для поиска оптимальных гиперпраметров для XGBRegressor 4) Применен метод перебора для поиска наилучшего регрессора в качестве базовой модели без оптимальных гиперпараметров. 5) Используется запись в файлы новых дата-сетов, т.к. их генерация занимает большое кол-во времени. 6) Используется запись в файл наилучших гиперпараметров в файл. 7) Используется сохранене модели в файл *.pkl для сохранения обученной модели. 8) Итак основные хар-ки проекта: 8.1) Фича-трюк с генератором 10 новых фичей из исходных категориальных фичей 8.2) Базовая модель XGBRegressor 8.3) Основная метрика используемая в алгоритмах MAE (возможно нужно заменить на MSE/RMSE) 8.2) Optuna 8.4) Преобразование полученых искомых таргетов в тип int32 8.5) Private score WMAE=0.77694 8.6) Public score WMAE=0.77833 9) Добавлено использование DVC. 10) Добавлены .dvc/.gitignore .dvc/config в репозиторий git. 10) В DVC добавлены снимки входных файлов датасетов и выходных файлов модели, результатов и сгенерированных фичей.

2 года назад

Основная ветка master проекта тетрадки Jupyter для соревновательной задачи AlfaBank (https://www.kaggle.com/competitions/alfa-challenge). Основные особенности проекта: 1) Использован фича-инженеринг для генерации новых фичей при помощи группировки временных транзакций и фича-трюк для преобразования большого кол-ва категориальных фичей. 2) Использован фича-трюк для генерации 10 новых фичей из категориальных (можно у величить кол-во новых фичей). 3) Использован Optuna для поиска оптимальных гиперпраметров для XGBRegressor 4) Применен метод перебора для поиска наилучшего регрессора в качестве базовой модели без оптимальных гиперпараметров. 5) Используется запись в файлы новых дата-сетов, т.к. их генерация занимает большое кол-во времени. 6) Используется запись в файл наилучших гиперпараметров в файл. 7) Используется сохранене модели в файл *.pkl для сохранения обученной модели. 8) Итак основные хар-ки проекта: 8.1) Фича-трюк с генератором 10 новых фичей из исходных категориальных фичей 8.2) Базовая модель XGBRegressor 8.3) Основная метрика используемая в алгоритмах MAE (возможно нужно заменить на MSE/RMSE) 8.2) Optuna 8.4) Преобразование полученых искомых таргетов в тип int32 8.5) Private score WMAE=0.77694 8.6) Public score WMAE=0.77833 9) Добавлено использование DVC. 10) Добавлены .dvc/.gitignore .dvc/config в репозиторий git. 10) В DVC добавлены снимки входных файлов датасетов и выходных файлов модели, результатов и сгенерированных фичей.

2 года назад