超詳細！如何準備機器學習競賽？

點選上方藍色字型，關注我們

Kaggle 是一個流行的資料科學競賽平臺，作為一個競賽平臺，Kaggle 對於初學者來說可能有些難度。畢竟其中的一些競賽有高達 100 萬美元的獎金池和數百位參賽者。為了幫助初學者入門 Kaggle，EliteDataScience 近日發表了一篇入門介紹文章，解答了一些初學者最常遇到的問題。

一些初學者會猶豫要不要參加 Kaggle 競賽，這並不讓人奇怪，他們通常有以下顧慮：

• 我該如何開始？

• 我要和經驗豐富的博士研究者比賽嗎？

• 如果沒有獲勝的機會，還值得參與嗎？

• 這就是資料科學嗎？（如果我在 Kaggle 上表現不好，我在資料科學領域還有希望嗎？）

• 未來我該如何提升我的排名？

如果你有其中任何問題，你就看對了文章。在這篇指南中，我們會解讀上手 Kaggle、提升技能和享受 Kaggle 所需要了解的一切。

Kaggle vs.「經典的」資料科學

首先，我們要清楚瞭解：

Kaggle 競賽和「經典的」資料科學有一些重要的不同之處，但只要你以正確的心態接觸它，就也能收穫有價值的經驗。

讓我們解釋一下：

Kaggle 競賽

本質上，帶有獎金池的競賽必須滿足一些標準：

• 問題必須困難：競賽不應該是一個下午就能解決的任務。為了得到最好的投資回報，主辦公司會提交他們最大最難的問題。

• 解決方案必須新：要贏得最新的競賽，你通常需要進行擴充套件研究、定製演算法、訓練先進的模型等等。

• 表現必須能比較：競賽必須要決出優勝者，所以你和其他對手的解決方案必須要被評分。

「經典的」資料科學

相對而言，日常所用的資料科學並不需要滿足這些標準。

• 問題可能簡單。實際上，資料科學家應該盡力確認易於實現的成果：可以快速解決的富有成效的專案。

• 解決方案可以是成熟的。大多數常見任務（比如探索分析、資料清理、A/B 測試、經典演算法）都已經有了已得到證明的框架。沒必要重新發明輪子。

• 表現可以是絕對的。即使一個解決方案只是簡單地超越了之前的基準，那也非常有價值。

Kaggle 競賽鼓勵你竭盡所能，而經典資料科學則推崇效率和最大化的業務效果。

Kaggle 競賽值得參加嗎？

儘管 Kaggle 和經典資料科學之間存在差異，但 Kaggle 仍然是一種很好的入門工具。

每個競賽都是獨立的。無需設定專案範圍然後收集資料，這讓你有時間專注其它技能。

練習就是實踐。學習資料科學的最好方法是在做中學。只要沒有每場競賽都獲勝的壓力，你就可以練習各種有趣的問題。

討論和獲勝者採訪很有啟發性。每個競賽都有自己的討論板塊與獲勝者簡報。你可以窺見更有經驗的資料科學家的思考過程。

Kaggle 獲勝者採訪

怎樣入門 Kaggle？

接下來，我們將給出一個按步進行的行動規劃，然後慢慢上升到 Kaggle 競賽中。

第一步：選擇一種程式語言

首先，我們推薦你選擇一種程式語言，並堅持使用。Python 和 R 在 Kaggle 和更廣泛的資料科學社群上都很流行。

如果你是一個毫無經驗的新手，我們推薦 Python，因為這是一種通用程式語言，你可以在整個流程中都使用它。參考：AI 學習路線：從Python開始機器學習

第二步：學習探索資料的基礎

載入、瀏覽和繪製你的資料（即探索性分析）的能力是資料科學的第一步，因為它可以為你將在模型訓練過程中做的各種決策提供資訊。

如果你選擇了 Python 路線，那麼我們推薦你使用專門為這個目的設計的 Seaborn 庫。其中有高層面的繪圖函式，可以繪製許多最常見和有用的圖表。

參考：

• Seaborn 庫：https://seaborn.pydata.org/

• Python Seaborn 教程：http://elitedatascience.com/python-seaborn-tutorial 

第三步：訓練你的第一個機器學習模型

在進入 Kaggle 之前，我們推薦你先在更簡單更容易管理的資料集上訓練一個模型。這能讓你熟悉機器學習庫，為以後的工作做鋪墊。

關鍵在於培養良好的習慣，比如將你的資料集分成獨立的訓練集和測試集，交叉驗證避免過擬合以及使用合適的表現評價指標。

對於 Python，最好的通用機器學習庫是 Scikit-Learn。

參考：

• Scikit-Learn 庫：http://scikit-learn.org/stable/

• Python Scikit-Learn 教程：http://elitedatascience.com/python-machine-learning-tutorial-scikit-learn

第四步：解決入門級競賽

現在我們已經準備好嘗試 Kaggle 競賽了，這些競賽分成幾個類別。最常見的類別是：

• Featured：這些通常是由公司、組織甚至政府贊助的，獎金池最大。

• Research：這些是研究方向的競賽，只有很少或沒有獎金。它們也有非傳統的提交流程。

• Recruitment：這些是由想要招聘資料科學家的公司贊助的。目前仍然相對少見。

• Getting Started：這些競賽的結構和 Featured 競賽類似，但沒有獎金。它們有更簡單的資料集、大量教程和滾動的提交視窗讓你可以隨時輸入。

Getting Started 競賽非常適合初學者，因為它們給你提供了低風險的學習環境，並且還有很多社群創造的教程：https://www.kaggle.com/c/titanic#tutorials

第五步：比賽是為了更好地學習，而不是賺錢

有了上面的基礎，就可以參與到 Featured 競賽中了。一般來說，為了取得好排名，通常需要遠遠更多的時間和精力。

因此，我們建議你明智地選擇參與專案。參加競賽能幫你深入到你希望長期參與的技術領域中。

儘管獎金很誘人，但更有價值（也更可靠）的回報是為你的未來事業所獲得的技能。

享受 Kaggle 的小訣竅

最後，我們將介紹幾個參與 Kaggle 的最受歡迎的訣竅，希望能幫你享受你的 Kaggle 時光。

訣竅 1：設定循序漸進的目標

如果你曾經玩過什麼讓人上癮的遊戲，你就知道循序漸進的目標的重要性。那就是好遊戲讓人著迷的訣竅。每一個目標都要足夠大，以便帶來成就感；但也不能太大，不然無法實現。

大多數 Kaggle 參與者都沒贏過任何一場競賽，這完全正常。如果把獲勝作為第一個里程碑，你可能會失望，嘗試幾次之後可能就會失去動力。循序漸進的目標會讓你的旅程更加愉快。比如：

提交一個超越基準解決方案的方案

• 在一場競賽中進入排名前 50%

• 在一場競賽中進入排名前 25%

• 在三場競賽中進入排名前 25%

• 在一場競賽中進入排名前 10%

• 贏得一場競賽！

這種策略讓你可以一路衡量你的進展和進步。

訣竅 2：查閱得票最多的 kernel

Kaggle 有一個非常厲害的功能：參與者可以提交 kernel，即用於探索一個概念、展示一種技術或分享一種解決方案的短指令碼。

當你開始一場競賽或感覺進步停滯時，查閱受歡迎的 kernel 或許能給你帶來靈感。

訣竅 3：在論壇中提問

不要害怕問「愚蠢的」問題。

提問能遇到的最糟糕的事情是什麼？也許你會被忽視……僅此而已。

另一方面，你能得到很多回報，包括來自經驗更豐富的資料科學家的建議和指導。

訣竅 4：獨立發展核心技能

開始的時候，我們建議你獨自工作。這將迫使你解決應用性機器學習流程中的每一步，包括探索性分析、資料清理、特徵工程和模型訓練。

如果過早地和人組隊，你就可能會錯失發展這些基本技能的機會。

訣竅 5：組隊以擴充你的極限

雖然太早組隊不好，但在未來的比賽中組隊讓你能向其他人學習，進而擴充你的極限。過去的許多獲勝者都是團隊，這讓他們可以結合彼此的知識共同施展力量。

此外，一旦你掌握了機器學習的技術技能，你就可以與其他可能比你有更多領域知識的人合作，進一步擴充套件你的機遇。

訣竅 6：記住 Kaggle 可以成為你的墊腳石

記住，你不一定要成為一個長期的 Kaggle 人。如果發現你不喜歡這種形式，也沒什麼大不了的。

實際上，許多人在做自己的專案或成為全職資料科學家之前都會使用 Kaggle 作為自己的墊腳石。

所以你的關注重點應該是儘可能地學習。長遠來看，參與能給你帶來相關經驗的競賽比參加有最高獎金的競賽更好。

訣竅 7：不要擔心排名低

有些初學者擔心低排名出現在他們的個人資料中，結果一直沒有開始。當然，比賽焦慮是很正常的現象，並不只限於 Kaggle。

但是，排名低真的沒什麼關係。沒人會因此貶低你，因為他們曾經某個時候也是初學者。

即便如此，如果仍然擔心個人資料裡的低排名，你可以再單獨建立一個練習賬號。一旦覺得自己能力不錯了，就可以開始用你的「主帳號」來建立豐功偉績了。（再說一下，這麼做毫無必要！）

原文連結：https://elitedatascience.com/beginner-kaggle

《機器學習 第九期》真正工業人士授課的工業課程，BAT + Google的一線技術大咖親自授課，直播答疑、考試一對一批改、面試輔導、推薦就業；5月19日開課，真正幫你實現從零到機器學習工程師的轉化；

▼掃碼，給想改變的你一個嘗試的機會