如何入手数据科学竞赛——以kaggle为例

浏览: 317

一些初学者会犹豫要不要参加 Kaggle 竞赛,这并不让人奇怪,他们通常有以下顾虑:

  • 我该如何开始?
  • 我要和经验丰富的博士研究者比赛吗?
  • 如果没有获胜的机会,还值得参与吗?
  • 这就是数据科学吗?(如果我在 Kaggle 上表现不好,我在数据科学领域还有希望吗?)
  • 未来我该如何提升我的排名?

如果你有其中任何问题,你就看对了文章。在这篇指南中,我会解读上手 Kaggle、提升技能和享受 Kaggle 所需要了解的一切。


Kaggle vs.「经典的」数据科学


首先,我们要清楚了解:

Kaggle 竞赛和「经典的」数据科学有一些重要的不同之处,但只要你以正确的心态接触它,就也能收获有价值的经验。

让我们解释一下:

Kaggle 竞赛

本质上,带有奖金池的竞赛必须满足一些标准:

  • 问题必须困难:竞赛不应该是一个下午就能解决的任务。为了得到最好的投资回报,主办公司会提交他们最大最难的问题。
  • 解决方案必须新:要赢得最新的竞赛,你通常需要进行扩展研究、定制算法、训练先进的模型等等。
  • 表现必须能比较:竞赛必须要决出优胜者,所以你和其他对手的解决方案必须要被评分。

「经典的」数据科学

相对而言,日常所用的数据科学并不需要满足这些标准。

  • 问题可能简单。实际上,数据科学家应该尽力确认易于实现的成果:可以快速解决的富有成效的项目。
  • 解决方案可以是成熟的。大多数常见任务(比如探索分析、数据清理、A/B 测试、经典算法)都已经有了已得到证明的框架。没必要重新发明轮子。
  • 表现可以是绝对的。即使一个解决方案只是简单地超越了之前的基准,那也非常有价值。

Kaggle 竞赛鼓励你竭尽所能,而经典数据科学则推崇效率和最大化的业务效果。

Kaggle 竞赛值得参加吗?

尽管 Kaggle 和经典数据科学之间存在差异,但 Kaggle 仍然是一种很好的入门工具。

每个竞赛都是独立的。无需设置项目范围然后收集数据,这让你有时间专注其它技能。

练习就是实践。学习数据科学的最好方法是在做中学。只要没有每场竞赛都获胜的压力,你就可以练习各种有趣的问题。

讨论和获胜者采访很有启发性。每个竞赛都有自己的讨论板块与获胜者简报。你可以窥见更有经验的数据科学家的思考过程。


怎样入门 Kaggle?

 

接下来,我将给出一个按步进行的行动规划,然后慢慢上升到 Kaggle 竞赛中。

第一步:选择一种编程语言

首先,我们推荐你选择一种编程语言,并坚持使用。Python 和 R 在 Kaggle 和更广泛的数据科学社区上都很流行。

如果你是一个毫无经验的新手,我们推荐 Python,因为这是一种通用编程语言,你可以在整个流程中都使用它。

第二步:学习探索数据的基础

加载、浏览和绘制你的数据(即探索性分析)的能力是数据科学的第一步,因为它可以为你将在模型训练过程中做的各种决策提供信息。

如果你选择了 Python 路线,那么我们推荐你使用专门为这个目的设计的 Seaborn 库。其中有高层面的绘图函数,可以绘制许多最常见和有用的图表。

第三步:训练你的第一个机器学习模型

在进入 Kaggle 之前,我们推荐你先在更简单更容易管理的数据集上训练一个模型。这能让你熟悉机器学习库,为以后的工作做铺垫。

关键在于培养良好的习惯,比如将你的数据集分成独立的训练集和测试集,交叉验证避免过拟合以及使用合适的表现评价指标。

对于 Python,最好的通用机器学习库是 Scikit-Learn。

第四步:解决入门级竞赛

现在我们已经准备好尝试 Kaggle 竞赛了,这些竞赛分成几个类别。最常见的类别是:

  • Featured:这些通常是由公司、组织甚至政府赞助的,奖金池最大。
  • Research:这些是研究方向的竞赛,只有很少或没有奖金。它们也有非传统的提交流程。
  • Recruitment:这些是由想要招聘数据科学家的公司赞助的。目前仍然相对少见。
  • Getting Started:这些竞赛的结构和 Featured 竞赛类似,但没有奖金。它们有更简单的数据集、大量教程和滚动的提交窗口让你可以随时输入。

Getting Started 竞赛非常适合初学者,因为它们给你提供了低风险的学习环境,并且还有很多社区创造的教程:https://www.kaggle.com/c/titanic#tutorials

第五步:比赛是为了更好地学习,而不是赚钱

有了上面的基础,就可以参与到 Featured 竞赛中了。一般来说,为了取得好排名,通常需要远远更多的时间和精力。

因此,我们建议你明智地选择参与项目。参加竞赛能帮你深入到你希望长期参与的技术领域中。

尽管奖金很诱人,但更有价值(也更可靠)的回报是为你的未来事业所获得的技能。


享受 Kaggle 的小诀窍


最后,我们将介绍几个参与 Kaggle 的最受欢迎的诀窍,希望能帮你享受你的 Kaggle 时光。

诀窍 1:设置循序渐进的目标

如果你曾经玩过什么让人上瘾的游戏,你就知道循序渐进的目标的重要性。那就是好游戏让人着迷的诀窍。每一个目标都要足够大,以便带来成就感;但也不能太大,不然无法实现。

大多数 Kaggle 参与者都没赢过任何一场竞赛,这完全正常。如果把获胜作为第一个里程碑,你可能会失望,尝试几次之后可能就会失去动力。循序渐进的目标会让你的旅程更加愉快。比如:

提交一个超越基准解决方案的方案

  • 在一场竞赛中进入排名前 50%
  • 在一场竞赛中进入排名前 25%
  • 在三场竞赛中进入排名前 25%
  • 在一场竞赛中进入排名前 10%
  • 赢得一场竞赛!

这种策略让你可以一路衡量你的进展和进步。

诀窍 2:查阅得票最多的 kernel

Kaggle 有一个非常厉害的功能:参与者可以提交 kernel,即用于探索一个概念、展示一种技术或分享一种解决方案的短脚本。

当你开始一场竞赛或感觉进步停滞时,查阅受欢迎的 kernel 或许能给你带来灵感。

诀窍 3:在论坛中提问

不要害怕问「愚蠢的」问题。

提问能遇到的最糟糕的事情是什么?也许你会被忽视……仅此而已。

另一方面,你能得到很多回报,包括来自经验更丰富的数据科学家的建议和指导。

诀窍 4:独立发展核心技能

开始的时候,我们建议你独自工作。这将迫使你解决应用性机器学习流程中的每一步,包括探索性分析、数据清理、特征工程和模型训练。

如果过早地和人组队,你就可能会错失发展这些基本技能的机会。

诀窍 5:组队以拓展你的极限

虽然太早组队不好,但在未来的比赛中组队让你能向其他人学习,进而拓展你的极限。过去的许多获胜者都是团队,这让他们可以结合彼此的知识共同施展力量。

此外,一旦你掌握了机器学习的技术技能,你就可以与其他可能比你有更多领域知识的人合作,进一步扩展你的机遇。

诀窍 6:记住 Kaggle 可以成为你的垫脚石

记住,你不一定要成为一个长期的 Kaggle 人。如果发现你不喜欢这种形式,也没什么大不了的。

实际上,许多人在做自己的项目或成为全职数据科学家之前都会使用 Kaggle 作为自己的垫脚石。

所以你的关注重点应该是尽可能地学习。长远来看,参与能给你带来相关经验的竞赛比参加有最高奖金的竞赛更好。

诀窍 7:不要担心排名低

有些初学者担心低排名出现在他们的个人资料中,结果一直没有开始。当然,比赛焦虑是很正常的现象,并不只限于 Kaggle。

但是,排名低真的没什么关系。没人会因此贬低你,因为他们曾经某个时候也是初学者。

推荐 2
本文由 Python爱好者社区 创作,采用 知识共享署名-相同方式共享 3.0 中国大陆许可协议 进行许可。
转载、引用前需联系作者,并署名作者且注明文章出处。
本站文章版权归原作者及原出处所有 。内容为作者个人观点, 并不代表本站赞同其观点和对其真实性负责。本站是一个个人学习交流的平台,并不用于任何商业目的,如果有任何问题,请及时联系我们,我们将根据著作权人的要求,立即更正或者删除有关内容。本站拥有对此声明的最终解释权。

0 个评论

要回复文章请先登录注册