话不多说，直接上官方链接：‌​​​‍​⁠​‌​‍​​​‌​⁠‬​‬​​‌​​​​‬‬​​​​‍⁠‍‌​⁠Task3：进阶baseline详解 - 飞书云文档 (feishu.cn)Task4：持续尝试，上分！ - 飞书云文档 (feishu.cn)

 一、理解

• 阅读了官方发布的Task4链接内容，主要是对“特征工程”、“模型训练”、"模型验证"三大模块进行优化
  • “特征工程”模块优化对InChI进行展开构建特征（即提取分子式、计算分子量、原子记数）
  • “模型训练”模块优化：
    • 方案一：使用lightgbm、xgboost和catboost模型依次跑完测试，取三个模型结果的平均值。
    • 方案二：使用stacking分层模型集成框架
  • "模型验证"模块优化，类比模型训练方案一和方案二，从而得出最终的优化后的结果

 二、此次分子AI赛个人最终代码

• # 1. 导入需要用到的相关库
  import pandas as pd  # 导入Pandas库，用于数据处理
  import numpy as np  # 导入Numpy库，用于数值计算
  from xgboost import XGBClassifier  # 导入XGBoost分类器
  from sklearn.model_selection import train_test_split, GridSearchCV  # 导入训练测试集划分和网格搜索库
  from sklearn.preprocessing import LabelEncoder  # 导入标签编码器
  from sklearn.feature_selection import SelectFromModel  # 导入基于模型的特征选择库
  
  # 2. 读取训练集和测试集
  train = pd.read_excel('./data/data280993/traindata-new.xlsx')  # 读取训练集数据
  test = pd.read_excel('./data/data280993/testdata-new.xlsx')  # 读取测试集数据
  
  # 3. 特征工程
  # 3.1 删除train数据中的 'DC50 (nM)' 和 'Dmax (%)' 列
  train = train.drop(['DC50 (nM)', 'Dmax (%)'], axis=1)  # 删除不需要的列
  
  # 3.2 处理分类数据
  # 使用LabelEncoder对分类特征进行编码
  label_encoders = {}  # 创建一个空字典来存储编码器
  for col in train.columns[2:]:  # 遍历除了前两列之外的所有列
      if train[col].dtype == object:  # 检查列是否为对象类型（即字符串）
          # 合并训练集和测试集的类别
          combined_data = pd.concat([train[col], test[col]])  # 合并训练集和测试集的对应列
          le = LabelEncoder()  # 创建LabelEncoder实例
          combined_data = le.fit_transform(combined_data)  # 对合并后的数据编码
          train[col] = combined_data[:len(train)]  # 将编码后的数据放回训练集
          test[col] = combined_data[len(train):]  # 将编码后的数据放回测试集
          label_encoders[col] = le  # 保存编码器以备后用
  
  # 检查测试集中非数值类型的特征
  non_numeric_cols = test.select_dtypes(include=['object']).columns.tolist()  # 获取测试集中非数值类型的列名列表
  
  # 处理非数值类型的特征
  for col in non_numeric_cols:
      # 如果该特征应该在模型中，确保它是数值类型的
      if col in train.columns[2:]:
          # 尝试将字符串转换为数值类型
          test[col] = pd.to_numeric(test[col], errors='coerce')  # 转换为数值类型，无法转换的变为NaN
  
  # 确保测试集中没有缺失值
  test = test.fillna(0)  # 用0填充测试集中的缺失值
  
  # 分离特征和标签
  X_train = train.iloc[:, 2:].values  # 获取训练集的特征值
  y_train = train['Label'].values  # 获取训练集的标签值
  X_test = test.iloc[:, 1:].values  # 获取测试集的特征值
  
  # 4. 特征选择
  # 使用 XGBoost 模型进行特征选择
  selector = SelectFromModel(XGBClassifier(use_label_encoder=False, eval_metric='logloss'))  # 创建特征选择器
  selector.fit(X_train, y_train)  # 训练特征选择器
  X_train_selected = selector.transform(X_train)  # 应用特征选择器到训练集
  X_test_selected = selector.transform(X_test)  # 应用特征选择器到测试集
  
  # 5. 模型调优
  # 定义 XGBoost 模型的参数网格
  param_grid = {  # 定义参数网格
      'n_estimators': [100, 200, 300],  # 树的数量
      'max_depth': [5, 7, 9],  # 树的最大深度
      'learning_rate': [0.006, 0.04, 0.15],  # 学习率
      'subsample': [0.35, 0.55, 0.95],  # 子采样率
      'colsample_bytree': [0.55, 0.75, 0.95],  # 列采样率
  }
  
  # 使用网格搜索进行模型调优
  xgb_model = XGBClassifier(use_label_encoder=False, eval_metric='logloss')  # 创建XGBoost模型
  grid_search = GridSearchCV(estimator=xgb_model, param_grid=param_grid, cv=5)  # 创建网格搜索实例
  # 执行网格搜索以找到最佳参数组合
  grid_search.fit(X_train_selected, y_train)  # 执行网格搜索以找到最佳参数组合
  
  # 获取最佳参数模型
  best_xgb_model = grid_search.best_estimator_  # 获取最佳估计器（模型）
  
  # 6. 使用最佳模型进行预测
  pred = best_xgb_model.predict(X_test_selected)  # 使用最佳模型对测试集进行预测
  result = pd.DataFrame({'uuid': test['uuid'], 'Label': pred})  # 创建包含预测结果的DataFrame
  
  # 7. 保存结果文件到本地
  result.to_csv('submit_xgb2.csv', index=False)  # 将结果保存为CSV文件，不包含索引
  

• 得分：0.76761
• 

 三、结语

• 还是学到了不少东西，虽然在机器学习这方面零基础但是通过官方4个Task的指引，从中学到了不少思路，尽管还是有很多东西看不懂，但是思维方式起码跟着Task有所提升
• 工作之余学习一下，对我来说还是有提升的，非常新颖的学习方式，但是想要彻底去学习透彻还是得去学习原理，慢慢的从原理到实践，得脚踏实地才行，当一个思维方式的提升吧！