Kaggle入门手册

原文链接：https://elitedatascience.com/beginner-kaggle

Kaggle是数据科学竞赛的热门平台，它可能会让初学者陷入困境。

毕竟，一些比赛有超过100万美元奖池和数百个竞争对手。

顶尖的团队拥有数十年的综合经验，处理有挑战的问题，如改善机场安全或分析卫星数据。

一些初学者犹豫使用Kaggle，这并不奇怪。他们有理由担忧，如：

怎样开始？
我会跟经验丰富的博士研究生团队竞争吗？
如果我没有真正的获胜机会，那么值得竞争吗？
数据科学是什么？（如果我在Kaggle做得不好，我还能向数据科学发展吗？）
如何提高排名？

那么，如果你有过这些问题，你的想法是正确的。

在本指南中，我们将分解你需要了解的有关入门知识，提高你的技能，并享受在Kaggle的一切。

Kaggle与“传统”数据科学

首先，我们需要弄清楚一些事情：

Kaggle比赛与“传统”数据科学有重要差异，但如果你以正确的心态接触，它们仍然会提供宝贵的经验。

我们来解释一下：

Kaggle比赛

本质上，比赛（以及奖池）必须符合几个标准。

问题一定很难。 比赛不能只用一个下午解决。为了获得最佳的投资回报，东道主公司将会提交最大、最麻烦的问题。
解决方案必须是新的。 为了赢得最新的比赛，你通常需要进行扩展研究，自定义算法，训练高级模型等。
表现必须相对。比赛必须产生获胜者，所以你的解决方案将同其他方案评分。

“传统”数据科学

相比之下，日常数据科学不需要符合相同的标准。

问题可以很容易。事实上，数据科学家们应该尝试识别可轻易实现的目标：可以快速解决的有影响力的项目。
解决方案可以成熟。 最常见的任务（例如：探索性分析，数据清理，A/B测试，经典算法）已经有成熟的框架。需要重新造轮子。
表现可以是绝对的。 解决方案可以非常有价值，即使它只是击败以前的基准。

Kaggle比赛鼓励你挤出最后一丝性能，而传统的数据科学则会鼓励效率并最大化业务影响。

Kaggle值得吗？

尽管Kaggle和典型的数据科学存在差异，但是，对于初学者而言，Kaggle仍然是一个很好的学习工具。

每场比赛都是独立的。你不需要仔细研究项目范围并收集数据，从而可以让你专注于其他技能。
练习是实践。 学习数据科学的最好方法是通过动手来学习。只要你不要强调赢得每场比赛，你仍然可以练习有趣的问题。
讨论和获胜者采访是有启发性的。每个比赛都有自己的板块和并且获胜者咨询。你可以窥探更有经验的数据科学家的思想过程。

如何入门Kaggle

接下来，我们将给出逐步的行动计划，在Kaggle上升和竞争。

步骤1：选择一门编程语言。

首先，我们建议选择一种编程语言并坚持使用它。Python以及R在Kaggle和更广泛的数据科学界都很受欢迎。

如果本身白纸一张，我们建议使用Python，因为它是一种通用的编程语言，可以从端到端使用。

步骤2：了解探索数据的基础知识。

加载，导航和绘制数据（即：探索性分析）的能力是数据科学的第一步，因为它可以告知你通过模型训练中做出的各种决策。

如果你走Python的路线，那么我们建议使用专门为此而设计的Seaborn库。它具有绘制许多最常见和有用的图表的高级函数。

Python Seaborn教程

第3步：训练你的第一个机器学习模型。

在进入Kaggle之前，我们建议你在一个更容易，更易于管理的数据集上训练一个模型。这将使你熟悉机器学习的库和形势。

关键是要良好的开发习惯，例如，将数据集分成单独的训练集和测试集，交叉验证以避免过度拟合，并使用适当的性能指标。

对于Python，最好的通用机器学习库是Scikit-Learn。

步骤4：处理“入门级”的比赛。

现在我们准备尝试Kaggle比赛，分为几类。最常见的是：

特色 – 这些通常由公司，组织甚至政府赞助。他们有最大的奖池。
研究 – 这些都是以研究为导向，几乎没有奖金。他们也有非传统的提交流程。
招聘 – 这些由希望聘请数据科学家的公司赞助。这些还是比较少见的。
入门 – 结构如特色比赛，但没有奖池。它们以更简单的数据集为特征，大量教程和滚动提交窗口，因此你可以随时输入。

「入门」比赛对于初学者来说非常棒，因为它们为你提供低风险的环境来学习，并且还得到许多社区创建的教程的支持。