# TechDing_SmallMol

**Repository Path**: dingdangLy/tech-ding_-small-mol

## Basic Information

- **Project Name**: TechDing_SmallMol
- **Description**: 准备训练数据集，排除全都是缺失值的列。

用LGBMRegressor回归器对数据集进行建模，分p1-p6六个不同模型来建模。

每个模型的建模采用随机5折建模法，得到5个不同模型后对测试集预测取平均值进行模型集成。

p1和p3这两种类别的建模比较难，得到的loss比较大，所以说如果能够有效降低这两个类别的loss，那么结果将会非常好。

模型融合的方法比较有效，能够降低一些loss值。


- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2022-09-11
- **Last Updated**: 2022-09-13

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# TechDing_SmallMol


1. 准备训练数据集，排除全都是缺失值的列。

2. 用LGBMRegressor回归器对数据集进行建模，分p1-p6六个不同模型来建模。

3. 每个模型的建模采用随机5折建模法，得到5个不同模型后对测试集预测取平均值进行模型集成。

4. p1和p3这两种类别的建模比较难，得到的loss比较大，所以说如果能够有效降低这两个类别的loss，那么结果将会非常好。

5. 模型融合的方法比较有效，能够降低一些loss值。

6. CatBoost方法几乎无法得到比较好的结果，所以说，LGBM is all you need.

7. 此处我将某些特征转变为类别特征再进行建模，效果几乎没有提升，所以以后建模要多试试几种方法。