CAIP 智海算法调优赛复盘：0.9442 是怎么来的

先看清基线

拿到赛题后，我没有急着上复杂模型，而是先把数据从头到尾摸一遍：字段缺失、分布情况、时间特征。然后跑一个最简单的基线，把"合理的最低分"定下来。

基线不是用来交差的，它是后续每一步的参照物。没有基线，你永远不知道一个改动到底有没有用——感觉"变好了"和真的变好了，是两回事。

错误分析比调参有用

基线跑通以后，我把所有预测错的样本拉出来逐类看，发现错误集中在几个固定模式上：某些取值区间的样本几乎全错，某些特征组合一旦出现就必错。

顺着错误去补特征、修数据处理，收益远大于盲目调参。很多时候不是模型不够强，而是数据还没被喂对。这个认知，后来反复被验证。

三模型集成：把判断的方差摊平

单模型提升到一定程度后开始原地踏步。我换了个思路：训练三个结构差异明显的模型，让它们的错误尽量不重叠，再做集成。

集成不是简单求平均。关键是让模型之间有差异——用不同的特征侧重、不同的训练策略，让它们各自擅长不同的模式，集成才有意义。分数最终稳定在 0.9442，突破了这个任务单模型的天花板。

复盘的价值

名次会过时，方法不会。赛后我把整套流程沉淀成一份检查清单：数据摸底 → 基线 → 错误分析 → 特征迭代 → 多模型集成。之后再做任何建模任务，我都先走一遍这套流程。

比赛真正的产出不是奖状，是一套可以迁移的判断方式。