README

MarTech Challenge Track 2 点击反欺诈预测

https://aistudio.baidu.com/aistudio/competition/detail/22

提供约50万次点击数据，请预测用户的点击行为是否为正常点击，还是作弊行为。

标签：反欺诈预测比赛时间：2020/05/10 - 2020/07/05

结果：

排名：7/424（2020-07-15）已结束

模型：catboost单模10折交叉验证

正确率：89.253%

代码：

process.py:

对原始数据进行预处理得到输入分类器的feature

object：选取topk，进行label_encoder
osv：正则表达式匹配出正确的x.x.x版本
ppi：用rf预测了ppi的缺失信息
其他细节……

classify2.py:（用的A榜的模型，用的特征太多不太好，后来删了点）

对简单的类别信息，catboost的处理更好。如果加上很多复杂特征，lightgbm会好一点。

使用catboost进行10折交叉验证，取加权预测平均，搜索阈值，得到预测模型。

然后利用leak信息，使用android和ntt信息找test和train中的相似信息，直接transform一部分label，对于结果有一定的提升（+0.03）。

graft_classify2.py：（最后提交的文件）

运用嫁接学习的方法，将A榜数据大于0.9令为1，小于0.1的令为0，接到B榜训练集后面，数据集的改变能提升很多（+0.1）

notebook实验:

主要是探索性的

process&EDA.ipynb

process：

对数据类型进行合理的转换，由于数据占内存不大，所以没有做内存优化（uint的转换）

EDA：

缺失值的展示（lan）
在后面的EDA中得知，package=0，android=0，dev_xx=0的值都是缺失，用rf做了缺失值的预测。
描述统计的展示：.
- object：count，unique，top，freq。
- numerical：min，mean，max，25%，50%，75%
分布展示：media_id，location，label，fea_hash，fea1_hash
箱线图：
相关及其显著性检验，包括相关矩阵
各列与label关系的数据透析

final_feature.ipynb

对原始数据进行预处理：

object：选取topk，label_encoder
特殊：osv→正则表达式匹配出正确的x.x.x版本

构造统计特征（groupby）：

count，top，freq

classfication：

lightgmb，10折fold

对于特征工程和预处理做了不一样的改进

用rf预测了ppi，package等缺失信息，对于dev的信息做了两个新的特征工程

对类别特征进行了交叉特征信息，使用catboost进行预测，对类别信息，catboost的处理更好。

使用android和ntt信息找test和train中的相似信息，直接transform一部分label，相当于使用leak的信息，对于结果有不错的提升。

特征：

最后还是抛弃了比较多的统计特征，catboost对于简单类别特征的提升非常不错，选择了较好的几个特征（几乎都是类别特征）进行catboost预测，主要还是单模，模型融合下次比赛再玩把。

展望：

对于leak，找到更多train和test相近的信息，对于答案直接transform，对于预测剔除这些数据后重新做训练集

lancexiong/MerTech-Challenge-Track2