Part 1-2 算法思路：

下面我们根据前文对数据集的认识，分析问题和解题思路。

其实讲述算法思路是一件十分复杂和困难的事儿，按照自上向下的顺序结合一位大佬的文章，谈一谈：

一，说到思路，其实就是数据、特征、模型三个部分，数据预处理服务于特征工程，特征服务于模型，又决定了模型的上限。这三部分密不可分，而且在后续的流程中还会返回来完善、改进前面的工作；

二，开始我们仍未对特征作用于模型的效果有所尝试，故首先建立一般框架，尤其是对新手来说的一些流程和经验，但是某个问题、思路说起来很容易深入下去，钻牛角尖；

三，从问题入手，这是一个有监督回归问题，常用的回归方法有哪些呢？

刚学习了算法的小伙伴，可能对于回归的算法心中只有一种：最小二乘线性回归；其实，各种分类算法都有他的回归算法实现。

少略总结如下：

线性回归类（lasso回归、岭回归），决策树-集成树回归类（决策树回归，随机森林回归，GBDT回归，xgboost回归），

SVM回归，神经网络回归等。调用sklearn包均可实现。。

四，泛泛的画图说一下分类与回归，具体内容还有待完善，毕竟我也是新手：

本次血糖预测是一个回归问题，但是前面分析也看到了，血糖分布极不均衡，而评分标准又是MSE，MSE会放大误差。

（此处转载一位大佬的分析，十分透彻，并作了适当修改）

一般把大于6.1的认为是高血糖，大于11.1的认为是糖尿病。在训练集提供的5642个实例中，大于6.1的911个，大于11.1的97个。如果测试集的分布与训练集一致，大约有17个实例血糖在11.1以上。

五，要注意数据量少，避免过拟合的问题。此处考虑模型和特征问题，有人说加上id竟然有用，这种特征实不可取，一定不具有泛化能力，体检日期若范围较大可能会有效果（实际上也是和天气相关），该问题体检时间比较集中在10,11月份的某几天，故体检日期字段去掉比较好。在构造特征的过程中，也要控制过拟合的问题。另外在调参中也要注意防止过拟合，提高模型鲁棒性，这一问题我们在比赛过程中一直难以衡量，用sklearn中的验证曲线、学习曲线函数很有必要，今后还要多多尝试，否则线下表现好了仍然要担心线上表现，因为你并不知道是否发生了过拟合。

六，特征工程是这一类问题的核心，一般模型我们就选工业上速度快、性能好的几个，并没有太大选择空间，不会去考虑神经网络、SVM那些的回归方法~ 新手们到达模型这一阶段时，有必要学习一下之前学习不曾涉及的xgboost，lightbgm等等。故特征工程会占用很大的精力，特征工程是一项十分复杂的东西，而一些课程、书面上的介绍十分浅显，内容不足，缺乏实践，详细的特征工程后面会细心介绍、探索。

七，我们从算法思路，到模型、特征，最后才是底层的数据分析和预处理，特征决定模型的上限，而数据的处理则是特征的基础，无需赘言吧，缺失值必须要填充，而数据的异常点（噪声或者标注错误的），也要通过数据 分析的手段识别出来并处理，后文会对此介绍。

八，杂乱无章的罗列了这些算法思路，希望对初次实践的新手有所帮助，我再次转载了那位大佬的一段话，一些想法：

(1) 一般去医院看病有问题的居多，所以相对正常值有些偏差，医生也可能作出有倾向性的判断。