KaggleRecords

Record my kaggle experiences.

1. House Pricing

问题描述：

1、给出某地区房子的一些特征以及价格。 2、特征中包括numerical特征和category特征。 3、所需要预测的量为连续性特征（numerical），即是一个回归问题。

1.1 第一次尝试

采用模型：

1、最基本的线性模型。 2、Lasso（L1正则化） 2、Ridge（L2正则化）

模型融合策略：

对三者结果取均值。

1.2 第二次尝试

采用模型：

1、基本的线性模型 2、Lasso+CV寻找最优参数 3、Ridge+CV寻找最优参数

模型融合策略：

1、基本线性模型严重过拟合，抛弃。 2、对剩下的两个采用取均值策略。

1.3 第三次尝试

采用模型：

1、xgboost的回归版本 2、randomforest的回归版本 3、adaboost的回归版本 4、bagging的回归版本

模型融合策略：

1、对四者取均值

2. Titanic

问题描述：

1、给出部分泰坦尼克号上的乘客的特征与获救情况。 2、特征中有category和numerical值，且总共只有7个特征。 3、预测剩下的乘客哪些存活，哪些死亡，是一个分类问题。

2.1 第一次尝试

采用模型：

logistics回归+cv

2.2 第二次尝试

采用模型：

1、logistic+cv 2、svm+cv 3、randomforest+cv

模型融合：

简单的voting。

3. Digital Recognize

3.1 第一次尝试

采用模型：

简单的ANN

1. 激活函数：softmax
2. 损失函数：交叉熵
3. 优化方式：梯度下降
4. 输入层：784个节点，对应每个像素点。
5. 隐层：只有一个隐层，10个节点，同时作为输出层。
6. 输出层：就是隐层。

3.2 第二次尝试

采用模型：

3层CNN。（ tensorflow)

3.3 第三次尝试

采用模型：

 多层CNN。（keras）