跪求的解题宝典来了！

“

随着首届太湖信用大数据创新应用大赛的赛程推进，算法赛已经接进入了复赛的关键阶段，40位入围选手也在不断迭代优化自己的答案，经过千辛万苦，小编跪求获得了一份神秘大咖草拟的算法赛思路解析（python），现在分享给大家。

”

step1

. 首先对数据进行EDA

拿到陌生的数据，首先通过EDA发现数据的异常和分布情况以及特征间的相互关系，如通过散点图矩阵，可视化不同特征间的两两关系，发现特征间关系以及异常点，皮尔逊积矩相关系数,衡量两两特征间的线性依赖关系等，这里就不过多赘述。

step2

. 获取企业特征

这里特别需要注意读取csv的编码问题，如果设置有误，可能出现乱码。我们需要用LabelEncoder把某些列里面的离散属性用数字来表示，如"注册资本(金)币种", "企业(机构)类型", "行业门类代码", "投资总额币种"等。

某些日期列可能是有用的特征，我们可以对日期列进行拆分，并且通过求时间差等操作，获取更为有效的特征。除了机器学习常见的特征工程的手段，还可以使用自然语言处理技术针对文本信息提取出有效的特征，多挖掘特征之间的关系，应用组合特征、交叉特征、合成特征等。

step3

. 缺失值填充

本次比赛涉及很多真实企业信息，这就导致有很多字段存在缺失值，对缺失值的处理尤为关键。常见的做法是统计缺失信息的比例，超过一定阈值的可以直接删除，保留下来的可以采取多种方式进行填充，如均值、中位数、-999等。

step4

. 构建训练集、验证集和测试集

这一步需要把之前各表的数据进行合并，保留有效的字段。我们可以简单地通过迭代的方式，测试哪些特征更为有效。由于本次比赛正负样本比例不均衡，我们可能需要改变采样策略。

step5

. 线下测试

该baseline使用GBM模型进行简单测试，也可以使用交叉验证，模型融合等。调参可以使用gridsearch等。

step6

.线上提交

线上预测的时候，模型训练中参数n_estimators需要根据线下测试来重新指定。

THE END

以上内容仅为抛砖引玉，希望能在复赛过程中为大家带来一些新的思路和想法。当然，如果各路大神们有更加精辟的见解，欢迎大家在后台留言分享。

-----

-----

复赛留给选手们的时间也不多了，大家一起Fighting！