我在 Kaggle Google 5 天密集 ML 冲刺中的旅程

Source: Dev.to

这是一篇提交给 Google AI Agents Writing Challenge 的作品：学习感悟或项目展示

我的学习之旅 / 项目概览

在过去的一周里，我完成了 Kaggle × Google 5 天强化项目——一个节奏快速、动手实践的冲刺，让我深入学习了用于数据科学的 Python、机器学习基础以及 Kaggle 风格的工作流。下面，我将分享课程的完整结构、每日体验、我构建的内容以及获得的技能。如果你是机器学习新手或想尝试 Kaggle，这篇文章或许能帮助你判断这条路是否适合你。

关键概念 / 技术深度

• Python 基础（列表、字典、循环、函数）
• 使用 Pandas 进行数据清洗和探索性数据分析（EDA）
• 使用 Scikit‑Learn 构建基线机器学习模型（线性回归、决策树、随机森林）
• 特征工程、编码、缩放以及超参数调优
• 端到端的机器学习流水线构建和 Kaggle 提交工作流

反思与收获

• Kaggle Notebooks 对初学者友好；实时代码执行让实验变得非常直接。
• 干净、充分探索的数据 是获得良好机器学习结果的基石。
• 基线模型 在几乎不做调优的情况下也能提供出乎意料的不错表现。
• 特征工程和恰当的验证 往往比换用更复杂的模型更能提升性能。
• 在 5 天内从零开始完成一次完整提交是完全可能的，而且极具激励作用——它把理论转化为可见的成果。

课程结构与我的每日体验

第 1 天 — 入门：Python 基础 + Kaggle 环境

• 介绍 Kaggle 环境：Notebooks、数据集、竞赛。
• 温习 Python 基础——列表、字典、循环、条件语句、函数。
• 第一次动手任务：使用 Pandas 加载数据集并进行基础探索（head、shape、info）。

收获： Kaggle Notebooks 对初学者非常友好，实时运行代码让实验非常直接。

第 2 天 — 数据清洗与探索性数据分析（EDA）

• 学习数据清洗：处理缺失值、删除重复、过滤异常值。
• 使用 Pandas 进行数据探索：.describe()、分组、过滤、汇总统计。
• 进行初步可视化，观察数据分布和变量关系。

收获： 在干净、充分探索的数据上投入时间至关重要——它为良好的机器学习结果奠定基础。

第 3 天 — 第一个机器学习模型（基线）

• 理解机器学习工作流：将数据划分为训练集和测试集、拟合模型、评估性能。
• 使用 Scikit‑Learn 构建基线模型：
  • 线性回归（用于回归任务）
  • 决策树
  • 随机森林
• 在真实数据集上进行快速的迷你竞赛/预测任务。

收获： 即使是基线模型——只做最少的调优——也能在真实数据上取得出乎意料的不错结果。

第 4 天 — 提升模型：特征工程与超参数调优

• 实践特征工程：生成新特征、对类别变量进行编码、必要时进行缩放。
• 应用超参数调优和交叉验证策略来提升模型性能。
• 学习模型解释的重要性以及避免过拟合的方法。

收获： 通常情况下，更聪明的特征和更好的验证方式比选择更复杂的模型更能提升性能。

第 5 天 — 最终项目：端到端流水线 + 提交

• 构建完整的机器学习流水线：数据加载 → 清洗 → 探索 → 特征工程 → 模型训练 → 评估 → 预测。
• 生成 submission.csv 并在 Kaggle 的真实竞赛中提交。
• 看到模型得分和排行榜排名——第一次“真实”的机器学习提交。

收获： 在 5 天内从零到完整提交是完全可能的——而且极具激励作用。它把理论转化为可触摸的成果。