本文主要是介绍[第五名公共排行榜] LGB 连续学习 + Catboost 集成，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
大家好，
首先，我想感谢竞赛组织者和所有参与讨论的人。这是@ibazhov和我在Kaggle上的第一次正式比赛，我们学到了很多，并希望未来能参与更多的比赛。
总结：
- 使用5个LGB模型进行连续更新/学习，通过.train(init_model)和.refit()方法，以及5个基于216个特征的Catboost模型。
- 通过减去指数贡献的加权和进行后处理，使得w_i * targ_i ≈ 0。
- 使用Polars进行特征生成，最终提交的模型将长滞后特征和短滞后特征分开，以便快速推理阶段可以独立计算。
总体思考
- LGB模型：多数情况下表现良好，但真正起作用的是稳健的特征选择过程。较多数量的浅层模型（在不同数据集上验证）比较少数量的深层模型产生了更稳健的输出，特别是设置extra_trees=True增加了正则化强度。
- Catboost模型：@ibazhov进行了大部分调优工作。特征修剪有时有帮助，最初模型有大约379个特征，但发现它倾向于对验证集过拟合。
- MLP（多层感知器）：fc>gelu堆栈在NN解决方案中表现最佳，具有高维嵌入层（约200）用于stock_id和seconds_in_bucket，具有较高的dropout率，作为额外特征而非集
这篇关于[第五名公共排行榜] LGB 连续学习 + Catboost 集成的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
