Kaggleのコンテスト（Bosch Production Line Performance Challenge）としてBoschがデータを提供しているコンテストの解説論文を読んだ。
Using Big Data to Enhance the Bosch Production Line Performance: A Kaggle Challenge
このコンテストは工場の様々なセンサーデータを用いて生産されたパーツの良・不良を判定するもの。時系列のデータとなっているが、この論文の手法だと時系列の影響は特に使っていないようだ。
とにかく特徴量が多いので、カテゴリ変数を一つの数値変数に変換する手法を使ったのち、カラム数を減らしてXGBoostを用いてモデルを構築している。
また、データ量も多くメモリに乗りきらないのでオンライン学習の手法を用いている。
モデルの良さの評価にはMatthew’s Correlation Coefficientという、頻度の低いイベントの評価指標に使えるものを用いている。
所感としては、Kaggleで人気のXGBoostはsparseで大量のデータに対して強いんだなあと感じさせられる。
