wbbhcb/dcic-2019-credit-2th-place

2019数字**创新大赛 消费者人群画像 亚军

DCIC-2019-Credit-2th-Place

2019数字**创新大赛 消费者人群画像 亚军

NLP队不完整代码（只包含我这部分）。

util.py： 一些工具函数

封装了lightgbm, catboost等，方便K折，且自定义了一些损失函数。

gotcha_lgb.ipynb： lightgbm模型

manual_feature = [
 '当月费用-前五个月消费平均费用',
 '前五个月消费总费用',
 'count_缴费',
 'count_当月费用',
 'count_费用差',
 'count_平均费用',
 'count_当月费用_平均费用'
 '是否998折']

• lgb1: 原始特征+manual_feature， loss为 0.5*mae+0.5*fair(fair_c=25)
• lgb2: 原始特征+manual_feature(年龄0变换为nan), loss为0.5*huber(delta=2)+0.5*fair(fair_c=23)
• lgb3: 原始特征+manual_feature(app次数特征做了round_log1p变换))， loss为0.5*mae+0.5*fair(fair_c=25)
• lgb4: 原始特征+manual_feature(年龄0变换为nan， app次数特征做了round_log1p变换), loss为0.5*huber(delta=2)+0.5*fair(fair_c=23)
• lgb5: 原始特征+['当月费用-前五个月消费平均费用']. loss为0.5*huber(delta=2)+0.5*fair(fair_c=23)
• lgb6: 原始特征+manual_feature， loss为 0.5*mae+0.5*fair(fair_c=25)， target做了np.power(1.005, x)变换(idea from @Neil)

gotcha_gbdt.ipynb： sklearn gbdt模型

• gbdt1: 原始特征+manual_feature, loss为huber

gotcha_ctb.ipynb： sklearn ctb模型

• ctb1: 原始特征+manual_feature, loss为mae, target做了np.power(1.005, x)变换(idea from @Neil)

stacking.ipynb

将所有模型的结果用huber_regressor做stacking

关于自定义loss

可参考

• Effect of MAE
• Xgboost-How to use “mae” as objective function?