Awesome
DCIC-2019-Credit-2th-Place
2019数字中国创新大赛 消费者人群画像 亚军
NLP队不完整代码（只包含我这部分）。
util.py： 一些工具函数
封装了lightgbm, catboost等，方便K折，且自定义了一些损失函数。
gotcha_lgb.ipynb： lightgbm模型
manual_feature = [
'当月费用-前五个月消费平均费用',
'前五个月消费总费用',
'count_缴费',
'count_当月费用',
'count_费用差',
'count_平均费用',
'count_当月费用_平均费用'
'是否998折']
- lgb1: 原始特征+manual_feature， loss为
0.5*mae+0.5*fair(fair_c=25) - lgb2: 原始特征+manual_feature(年龄0变换为nan), loss为
0.5*huber(delta=2)+0.5*fair(fair_c=23) - lgb3: 原始特征+manual_feature(app次数特征做了round_log1p变换))， loss为
0.5*mae+0.5*fair(fair_c=25) - lgb4: 原始特征+manual_feature(年龄0变换为nan， app次数特征做了round_log1p变换), loss为
0.5*huber(delta=2)+0.5*fair(fair_c=23) - lgb5: 原始特征+['当月费用-前五个月消费平均费用']. loss为
0.5*huber(delta=2)+0.5*fair(fair_c=23) - lgb6: 原始特征+manual_feature， loss为
0.5*mae+0.5*fair(fair_c=25)， target做了np.power(1.005, x)变换(idea from @Neil)
gotcha_gbdt.ipynb： sklearn gbdt模型
- gbdt1: 原始特征+manual_feature, loss为huber
gotcha_ctb.ipynb： sklearn ctb模型
- ctb1: 原始特征+manual_feature, loss为mae, target做了
np.power(1.005, x)变换(idea from @Neil)
stacking.ipynb
将所有模型的结果用huber_regressor做stacking
关于自定义loss
可参考