Наше финальное решение состоит из нескольких этапов.
Модель которую мы используем - catboost on Meta + STD по каждому отведению.
Во время обучения мы сначала подаем большую часть данных модели, учим её, получаем предсказания.
Её Предсказания используем как валидацию для обучения ещё одной модели,
с подбором оптимальных параметров с помощью optuna. Так мы получаем лучшие параметры.
С помощью этого мы получаем лучшую модель,
которую используем для финального предсказания.
Сначала необходимо установить библиотеки
pip install -r requirements.txt
После чего необходимо прописать в config.json пути к данным.
Некоторые этапы получения решения занимают большое количество времени,
но результаты их выполнения есть здесь.
Для получения catboost_std.csv необходимо выполнить СatСoostStd.py.
Для получения catboost_all_data.json необходимо выполнить CatBoostAllDataOptuna.py.
Для получения итогового предсказания на публичном лидер борде необходим выполнить CatBoostAllData.py.
Для запуска решения на новых данных можно воспользоваться функцией predict в файле Inference.py.
Так же здесь находится копия блокнота из презентации с нашими экспериментами.