长文慎点！ Kaggle 比赛的 top2%和金牌到底差距有多大？

[longSwordMan]

入了 kaggle 这个坑三年，成绩还凑合，目前拿到一金二银二铜，也和综合排名 top10 的种子选手组过队。

欢迎在讨论区交流，也欢迎添加微信 longswordMAN 进群+听直播分享，加的时候注明 V2EX 的 id 就行。

我会尽量保持周更的频率，每条评论也会看，比较走心的高质量评论必回，看反馈情况决定是否改变更新频率。

帖子主要谈三个主题：

1.kaggle 的比赛冲分技巧。在具备 top10%乃至 top2%的实力的情况下，如何百尺竿头更进一步，冲击奖牌， 以及如何选择适合自己的项目。

2.在简历里怎么包装项目，面试的时候怎么展示，

3.怎么通过 kaggle 来 networking，以文会友，建立人脉网络。

废话不多说，正题开始。

想要在 kaggle 平台制霸，我们首先要了解 kaggle 的前世今生，了解他比赛的风格和最近几年的变化方向。

Kaggle 是一个对给定数据集的的数据建模平台，以分类、回归问题为主（也有少许聚类，我个人估计应该是因为聚类模型的表现衡量起来相对麻烦，以后如果有时间，可以开一个专题讲聚类，现在因为和主线有点偏离，先按下不表）。

Kaggle 竞赛的合作方，早期可以认为是悬赏方，提供数据和任务，往往是公司内部数据（当然作了一些去敏），进而提出公司一个实际需要解决的问题。这个模式有一些类似赏金猎人，尤其是在 2010 年前后，kaggle 还比较小众的时候，参赛人数不多，如果不是金额特别爆炸的悬赏，不是精心雕琢的模型往往也能瞎打乱撞拿到奖金。

虽然一开始 kaggle 的初衷有一些类似于赏金猎人，但是随着平台的壮大，单纯的去冲击奖金的期望收益已经大大降低，所以 kaggle 平台慢慢就演变成了现在类似竞赛平台的形式。尤其是在被 Google 收购之后，kaggle 上的题目风格发生了不小的变化，概括起来就是两多两少。

两多：

参赛队伍变多

深度学习模型变多

两少：

数据量变小

比赛数量变少

[longSwordMan]

解释一下：kaggle 在朝着竞赛平台的路上狂奔，原来的外包悬赏属性越来越少，所以导致了比赛数量变少，队伍变多；谷歌向来注重深度学习（面向 VC 的开发，大家懂的），所以 kaggle 一定程度上也在 NLP，CV 等深度学习细分领域狂奔，原来重特征工程的打法已经式微。为了让大家的机器跑得动大模型，所以数据量就小了，没有以前那种操作大数据的快感了。

[longSwordMan]

从 kaggle 和深度学习结合越来越多这个趋势，其实可以窥见一整个行业的趋势，由于多媒体信息越来越多，图像，声音，文字，都是信息的载体，而深度学习模型有能力从这些信息载体中提取出高浓度，可操作的信息（说人话，可以把信息变成向量，方便处理操作）。那么在将来的新潮岗位，一定是需求能够把深度学习和 BI 结合，而且还有一定 coding 能力的大佬。

[longSwordMan]

上回我们说到 kaggle 被谷歌收购的故事，受到 google 的影响，kaggle 的竞赛逐渐加深了和深度学习模型的结合。之前有一个经典的手写数字竞赛，属于上古时代的项目，叫做 MNIST，kaggle 上可以搜到。当时深度模型在 kaggle 还没有流行，所以不少选手仍然选择了传统的分类模型来解，大家可以翻看链接里的陈年 kernel，甚至可以看到 heretical softmax 来解这道题的奇观。

[longSwordMan]

相对比较靠谱的传统解法，比如说一些人对图片做了特征工程（如果不做特征工程的话，会次拟合得非常厉害，毕竟是一个 28*28 维的特征），特征工程的的手法，比如：图像的对称性，白色 pixel 的数量等等。对称性就包括上下对称，左右对称，旋转对称。比如“0，1，8”就同时满足三种对称性，“3”满足上下；对于白色 pixel 来说，自然比划多的数字，比如“8”就数量大。还有其他蛇皮走位的特征工程的手段，比如算一些关键点的曲率啦，在某个神奇的坐标上是否是白色等等。

[longSwordMan]

我看了一圈，传统方法里，相对比较靠谱的做法就是把图片切成 4-9 片，对每一片再做一次特征工程，然后把特征工程的结果再过一次 softmax 。这个其实有一点 CNN （卷积神经网络，不是那个电视台），并且这位大仙还用了 sampling 。这个算法我记得勉强突破了 90%准确率，在传统做法里已经爆炸。

[longSwordMan]

当然说了这么多，都是为了引出我们的主角 CNN 。CNN 号称宇宙第一图像分类算法，随着深度学习的发展，又逐渐出现了 resnet，VGG24，VGG48，VGG128，VGG10086，VGG 小目标，总之往复杂化方向一路狂飙（最后两条是玩笑，不要当真）,但是这些模型都是 CNN 的衍生，对于简单的，28*28，我们直接调用 CNN 已经可以取得 95+%的准确率，不过，该做的预处理还是要做，比如 padding 这些工作。

[longSwordMan]

当然早些时候直接套 CNN 可以解决，现在的题目的画风已经变成这样：（因为无法粘链接，大家如果想了解的可以私信我）所以大家这个肉眼看得出什么区别吗？反正我不是学医的我看不出，所以特征工程这套已经可以说式微了，某种意义上是鼓励，或者说驱赶参赛者去用深度模型解题，当然 kaggle 除了计算机视觉方向的深度模型，还有自然语言处理，图论，凸优化等领域，我们接下去会慢慢谈。