如何在比赛中取得好成绩并成为大牛：
会基本知识掌握学习方法用于实践多与人交流
参与天池比赛需要会的基础知识
xgb,lgb,catboost,numpy，matplotlib，seaborn，sklearn，keras 常用的基础数据数据挖掘常用的类（PS：sklearn可以多学一点，在无论图像还是自然处理还是数据挖掘等都需要sklearn的知识）
参见比赛的步骤
报名参赛（PS：报名时注意要求，实名认证）下载数据集在本地或者远端训练数据，测试结果。
比赛的基本知识
首先在比赛时候创建一个基本的baseline然后对模型进行一步一步的改增。
对于打比赛的基本的内容包括
赛题理解：探索性数据分析：特征工程模型调参模型融合
探索性数据分析：
目的：
EDA的基本方法：绘图方法，量化方法：
绘图方法：（原始图像，统计图，特征模块化相同）
基本图形：
折线图：随时间变化
直方图：数据分布
密箱型图度曲线图：概率密度函数
箱型图：便于查看异常值
小提琴图：可以看出某个值分布的频率（升级版箱型图）
量化方法：（统计表述：偏度方差峰值，取值范围，大概分布）
相关性分析方法：
定类变量：名义变量（男女）
定序变量：不仅分类，特性排序（消费能力1-5）
定距变量：可以比较大小，差值有意义
这里提供了一个mvtest的一个独立相关性判断的方法，可以通过下面这个github连接来学习和使用，原则作者已经将去做成了一个包使用时候可以进行调用。
特征工程：
建模调参
模型融合
在前期不要太相似，需要相似的评分，差异的结果，前期不能太相通，增加鲁棒性，模型融合基于单模型，通过融合多模型来提升结果