提升得分的关键是模型融合

• 模型融合的方法，用不同模型的输出值，进行加权求和。
  这种方法的权值分配很难学习到
• 定点化模型输出的概率值的精度（将小数点后的精度定电话），进行特征排序
• 将输出模型进行映射，通过逻辑回归函数得到新的输出。
• xgboost ，libffm模型的公式推导
• 评价指标
  gni系数，ROC曲线下的AUC面积

数据预处理也应该是要考虑的一方面

• 对于脱敏数据应该主要通过数据相关性判断来进行特征预判，判断是否存在数据相关性，可以对不同的数据进行不同的处理包括 binary，catergory，numerical数据，发现数据中隐藏的特征。以及编码方式。
• 缺失值的处理始终是重要的一环。
• 不仅仅可以通过rank来融合，而且还可以通过“boosting”， “bagging”。
• 常见模型 boosting，xgboosting，lgbm,libffm
• 模型融合的时候可以通过输出结果的相关性来衡量模型的相关程度。
• 模型是无法处理字符型和时间型数据的，只能通过增加新的数据特征来产生新的特征。
  字符型：家乡所在地/学校所在地。这些都可以构建一个新的特征。可以将省份归类为新的类别特征（按照地域，或者消费水平）。
  数值型：可以根据毕业时间，注册时间，申请贷款的时间，来构建新的数值型变量，来预测
• 同时对于输入数据比较多的情况下，可以考虑pca降维