一、参赛背景
一条工程狗也有自己的数据挖掘梦，自己一直对算法感兴趣，期间关注了很多热门的公众号，天天在CSDN的博客下面学习大牛的经验，也学习了李航老师的《统计学习方法》、周志华老师的《机器学习》、《利用python进行数据分析》等基础入门书籍后，俗话说“站在岸上学不会游泳”，自己也跃跃欲试想参加一个比赛。感谢天池能提供一个这么好的平台。
二、赛题说明
天池精准医疗大赛——人工智能辅助糖尿病遗传风险预测，天池大数据平台的一个算法大赛。需要选手根据年龄、体检日期、性别、肝功能检查结果、肾功能检查结果、血常规检查结果等特征数据去预测血糖值，构建出可解释性强的算法。初赛训练集中提供5642条数据，40个特征，测试集1000条数据，数据量偏少。评价指标为MSE，即均方差。比赛地址：
三、数据预处理
这部分主要是如何处理缺失值的问题。特征大概可以划分为四大类：肝功能、肾功能、血常规、乙肝（缺失数据均为整类缺失，即检查人没有做该部分的检查），除了血常规意外其他三大类均有大量缺失值，尤其是乙肝这一项，缺失值达到了一半以上。初步考虑：填充缺失量如此大的数据将带来无法控制的误差，可否简单认为是否做乙肝五项检查和血糖值之间有潜在联系。于是将乙肝五项转化为是否做乙肝检查一个特征。其他三大类的数据可以用均值、中位数、回归预测的方式填充。通过简单的可视化各项特征数据大致服从了正态分布，于是我这里采用了最简单常用的均值填充。
四、数据初步分析
（1）相关性分析：采用了皮尔逊相关系数，分析了各个特征和血糖值之间线性相关性，并按线性相关性对各个特征排序，使用的是scipy中的现有函数。其中排名前五的特征分别为年龄（0.265）、甘油三酯 （0.259）、低密度脂蛋白胆固醇（0.166）、总胆固醇（0.163）、*碱性磷酸酶（ 0.162）。可以作为特征筛选的初步参考，但是皮尔逊相关系数只能衡量线性相关性，无法深入挖掘特征间的联系。但是优点是计算速度快，结果直观，取值范围是[-1，1]，符号表示相关性的正负，绝对值表示相关强度。
（2）年龄分布：因为在皮尔逊相关系数中年龄相关性最高（后续采用xgboost发现年龄的重要度最高），故此单独分析了这个特征。最小的是3岁，最大的是93岁，均值45岁，1/4和3/4 中位数分别为35岁和54岁，符合正态分布。对训练集中年龄进行排序，发现从小到大为3、6、15、19、20，测试集中年龄均大于19岁，因此在这里将训练集中年龄为3、6的样本作为噪声处理。
（3）血糖值的分布：本次比赛预测的是血糖值，简单的可视化了一下血糖值的分布。可以发现血糖值的分布大多数集中在4-12中，其中有一个血糖值为38的点，可以作为异常值处理。
五、算法选择
根据前辈们的经验，xgboost是一个一拿到数据就可以优先尝试的算法，于是直接选择了比赛大杀器xgboost作为第一个算法模型。用了sklearn里的cv作为验证集调参。