backup materials and knowledge-base docs

2026-05-30 16:22:29 +08:00
commit 93e50e8fce
3024 changed files with 2994945 additions and 0 deletions
--- a/文档润色流和知识库构建流/claude-scholar/skills/kaggle-learner/references/knowledge/tabular/amp-parkinsons-2021.md
+++ b/文档润色流和知识库构建流/claude-scholar/skills/kaggle-learner/references/knowledge/tabular/amp-parkinsons-2021.md
@@ -0,0 +1,593 @@
+# AMP®-Parkinson's Disease Progression Prediction (2023)
+
+## Competition Brief
+
+**竞赛基本信息**
+- **主办方**: AMP (Accelerating Medicines Partnership)
+- **时间**: 2023年
+- **类型**: 表格数据/医疗预测
+- **数据规模**: 小样本数据集
+- **评价目标**: SMAPE (Symmetric Mean Absolute Percentage Error)
+
+**任务描述**
+预测帕金森病患者的疾病进展情况。使用蛋白质和肽段数据（通过质谱测量脑脊液样本）来预测患者未来的 MDS-UPDRS 评分。
+
+**数据特点**
+- **蛋白质数据**: 227个蛋白质特征
+- **肽段数据**: 来自多个质谱实验
+- **时间序列**: 每个患者有多次访问记录
+- **样本量**: 相对较小（小样本竞赛）
+- **目标变量**: MDS-UPDRS 评分的进展
+
+**评价指标**
+SMAPE (Symmetric Mean Absolute Percentage Error)
+- 对称性平均绝对百分比误差
+- 范围 [0, 200]，越小越好
+- 对异常值相对鲁棒
+
+---
+
+## Top Solutions Analysis
+
+### 1st Place - Connecting Dotts (Dmitry Gordeev et al.)
+
+**核心策略**
+- **模型组合**: LightGBM + Neural Network 的简单平均
+- **特征工程**: 精心设计的蛋白质和肽段聚合特征
+- **数据处理**: 针对神经网络的标准化和二值化
+
+**关键技术细节**
+
+1. **特征工程**
+   - 蛋白质和肽段的聚合统计量（均值、中位数、标准差）
+   - 时间序列特征的构造
+   - 蛋白质-肽段关系特征的提取
+
+2. **模型架构**
+   - **LightGBM**: 梯度提升树模型
+   - **Neural Network**: 深度学习模型
+   - **集成策略**: 简单平均
+
+3. **数据预处理**
+   - NN专用预处理: 特征缩放
+   - 特征二值化处理
+   - 缺失值处理策略
+
+**代码要点**
+```python
+# 模型集成示例
+final_prediction = (lgb_pred + nn_pred) / 2
+```
+
+### 2nd Place - No Luck, All Skill
+
+**核心策略**
+- 发布时间: 2023年6月19日
+- 强调特征工程的重要性
+- 多模型集成策略
+
+**关键特征**
+- 详细的特征工程流程
+- 模型融合技术
+- 验证策略设计
+
+### 3rd Place - Hajime Tamura
+
+**核心策略**
+- 发布时间: 2023年5月19日
+- **分组策略**: 将数据分成两组分别优化
+- 简洁的解决方案（三个主要函数）
+
+**关键创新**
+- 数据分组优化
+- 针对性模型训练
+- 简化流程提升效率
+
+### 4th/5th Place - Ambrosm (#5: Find the Control Group)
+
+**核心策略**
+- 发布时间: 2023年5月18日
+- **控制组识别**: 关键创新点
+- 利用对照组信息改进预测
+
+**关键洞察**
+- 识别并分离控制组样本
+- 针对不同组别使用不同策略
+- 提升模型区分度
+
+### 9th Place - Makotu
+
+**核心策略**
+- 发布时间: 2023年5月18日
+- 详细的特征工程和模型调优
+
+### 13th Place - FNOA
+
+**技术要点**
+- 中等排名的稳定方案
+- 实用的特征工程方法
+
+### 43rd Place - Wojciech Victor Fulmyk (Top 3% Silver)
+
+**重要发现**
+- **XGBoost 和 LightGBM 表现不佳**
+- 强调传统树模型在这个数据集上的局限性
+- 探索其他模型方向
+
+**技术要点**
+```python
+# 他们的发现表明传统 GBDT 可能不是最佳选择
+# 需要考虑其他模型或更复杂的特征工程
+```
+
+### 89th Place - Giba (Non-Leaky Solution)
+
+**核心策略**
+- 强调无数据泄露的干净方案
+- 可复现的验证策略
+
+---
+
+## Common Techniques Across Solutions
+
+### 1. Feature Engineering Patterns
+
+**蛋白质/肽段聚合特征**
+```python
+# 时间聚合
+protein_stats = train.groupby('patient_id')['protein'].agg([
+    'mean', 'median', 'std', 'min', 'max'
+])
+
+# 肽段聚合
+peptide_stats = train.groupby('patient_id')['peptide'].agg([
+    'mean', 'count', 'nunique'
+])
+```
+
+**时间序列特征**
+- 访问间隔时间
+- 进展速度估计
+- 基线和随访差异
+
+**蛋白质-肽段关系**
+- 蛋白质包含的肽数量
+- 肽段来源的蛋白质信息
+
+### 2. Model Selection Insights
+
+**成功模型**
+- LightGBM (部分方案)
+- Neural Networks / MLP
+- 集成方法
+
+**需要谨慎的模型**
+- XGBoost (43rd方案指出效果不佳)
+- 纯线性模型
+- 单一模型（推荐集成）
+
+### 3. Validation Strategies
+
+**关键原则**
+- 避免患者级别的数据泄露
+- 时间基础的分割
+- 分组交叉验证
+
+```python
+from sklearn.model_selection import GroupKFold
+
+gkf = GroupKFold(n_splits=5)
+for train_idx, val_idx in gkf.split(X, y, groups=patient_ids):
+    # 训练和验证
+```
+
+### 4. Data Leakage Prevention
+
+**常见陷阱**
+- 同一患者的多次访问分散在训练/验证集
+- 未来信息泄露到训练集
+- 蛋白质/肽段测试集信息泄露
+
+**预防措施**
+- 严格的患者级别分割
+- 时间有序分割
+- 仔细的特征构造审计
+
+---
+
+## Code Templates
+
+### Basic Feature Engineering
+
+```python
+import pandas as pd
+import numpy as np
+
+def create_protein_features(train_proteins, test_proteins):
+    """创建蛋白质聚合特征"""
+    def process(df):
+        stats = df.groupby('patient_id')['NPX'].agg([
+            ('protein_mean', 'mean'),
+            ('protein_std', 'std'),
+            ('protein_min', 'min'),
+            ('protein_max', 'max')
+        ]).reset_index()
+        return stats
+
+    train_stats = process(train_proteins)
+    test_stats = process(test_proteins)
+
+    return train_stats, test_stats
+
+def create_peptide_features(train_peptides, test_peptides):
+    """创建肽段聚合特征"""
+    def process(df):
+        stats = df.groupby('patient_id')['PeptideAbundance'].agg([
+            ('peptide_mean', 'mean'),
+            ('peptide_std', 'std'),
+            ('peptide_count', 'count')
+        ]).reset_index()
+        return stats
+
+    train_stats = process(train_peptides)
+    test_stats = process(test_peptides)
+
+    return train_stats, test_stats
+
+def create_time_features(train_clinical, test_clinical):
+    """创建时间序列特征"""
+    def process(df):
+        df = df.copy()
+        df['visit_month'] = df['visit_month'].astype(int)
+        df['pred_month'] = df['visit_month'] + df['updrs_test_month']
+
+        # 计算自基线以来的时间
+        df['months_since_baseline'] = df.groupby('patient_id')['visit_month'].transform(lambda x: x - x.min())
+
+        return df
+
+    return process(train_clinical), process(test_clinical)
+```
+
+### Model Training Template
+
+```python
+import lightgbm as lgb
+from sklearn.model_selection import GroupKFold
+from sklearn.metrics import mean_absolute_error
+
+def smape(y_true, y_pred):
+    """SMAPE 评估指标"""
+    return 100 * np.mean(2 * np.abs(y_pred - y_true) / (np.abs(y_true) + np.abs(y_pred) + 1e-8))
+
+def train_lightgbm(X_train, y_train, groups, params=None):
+    """训练 LightGBM 模型"""
+    if params is None:
+        params = {
+            'objective': 'regression',
+            'metric': 'mae',
+            'learning_rate': 0.01,
+            'num_leaves': 31,
+            'max_depth': -1,
+            'feature_fraction': 0.8,
+            'bagging_fraction': 0.8,
+            'bagging_freq': 5,
+            'verbose': -1
+        }
+
+    gkf = GroupKFold(n_splits=5)
+    models = []
+    scores = []
+
+    for train_idx, val_idx in gkf.split(X_train, y_train, groups=groups):
+        X_tr, X_val = X_train.iloc[train_idx], X_train.iloc[val_idx]
+        y_tr, y_val = y_train.iloc[train_idx], y_train.iloc[val_idx]
+
+        train_data = lgb.Dataset(X_tr, label=y_tr)
+        val_data = lgb.Dataset(X_val, label=y_val, reference=train_data)
+
+        model = lgb.train(
+            params,
+            train_data,
+            num_boost_round=10000,
+            valid_sets=[train_data, val_data],
+            callbacks=[lgb.early_stopping(100), lgb.log_evaluation(0)]
+        )
+
+        pred = model.predict(X_val)
+        score = smape(y_val, pred)
+
+        models.append(model)
+        scores.append(score)
+
+    print(f'Average SMAPE: {np.mean(scores):.2f}')
+
+    return models, scores
+
+# 使用示例
+# models, scores = train_lightgbm(X_train, y_train, patient_ids)
+```
+
+### Neural Network Template
+
+```python
+import tensorflow as tf
+from sklearn.preprocessing import StandardScaler
+
+def create_nn_model(input_dim, hidden_units=[256, 128, 64]):
+    """创建神经网络模型"""
+    model = tf.keras.Sequential([
+        tf.keras.layers.Input(shape=(input_dim,)),
+    ])
+
+    for units in hidden_units:
+        model.add(tf.keras.layers.Dense(
+            units,
+            activation='relu',
+            kernel_regularizer=tf.keras.regularizers.l2(0.01)
+        ))
+        model.add(tf.keras.layers.Dropout(0.3))
+        model.add(tf.keras.layers.BatchNormalization())
+
+    model.add(tf.keras.layers.Dense(1, activation='linear'))
+
+    model.compile(
+        optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
+        loss='mae',
+        metrics=['mae']
+    )
+
+    return model
+
+def train_nn(X_train, y_train, groups, epochs=100, batch_size=32):
+    """训练神经网络"""
+    # 标准化
+    scaler = StandardScaler()
+    X_train_scaled = scaler.fit_transform(X_train)
+
+    gkf = GroupKFold(n_splits=5)
+    models = []
+    scores = []
+
+    for train_idx, val_idx in gkf.split(X_train_scaled, y_train, groups=groups):
+        X_tr, X_val = X_train_scaled[train_idx], X_train_scaled[val_idx]
+        y_tr, y_val = y_train.iloc[train_idx], y_train.iloc[val_idx]
+
+        model = create_nn_model(X_train.shape[1])
+
+        early_stop = tf.keras.callbacks.EarlyStopping(
+            monitor='val_loss',
+            patience=10,
+            restore_best_weights=True
+        )
+
+        history = model.fit(
+            X_tr, y_tr,
+            validation_data=(X_val, y_val),
+            epochs=epochs,
+            batch_size=batch_size,
+            callbacks=[early_stop],
+            verbose=0
+        )
+
+        pred = model.predict(X_val).flatten()
+        score = smape(y_val, pred)
+
+        models.append((model, scaler))
+        scores.append(score)
+
+    print(f'Average SMAPE: {np.mean(scores):.2f}')
+
+    return models, scores
+```
+
+### Ensemble Template
+
+```python
+def ensemble_predictions(lgb_models, nn_models, X_test):
+    """集成多个模型的预测"""
+    # LightGBM 预测
+    lgb_preds = np.mean([model.predict(X_test) for model in lgb_models], axis=0)
+
+    # NN 预测（需要标准化）
+    _, scaler = nn_models[0]
+    X_test_scaled = scaler.transform(X_test)
+    nn_preds = np.mean([
+        model.predict(X_test_scaled).flatten()
+        for model, _ in nn_models
+    ], axis=0)
+
+    # 简单平均
+    final_pred = (lgb_preds + nn_preds) / 2
+
+    return final_pred
+```
+
+---
+
+## Best Practices
+
+### 1. Data Understanding
+
+**蛋白质数据特性**
+- 227个蛋白质可能来自不同通路
+- 部分蛋白质可能高度相关
+- 需要探索蛋白质-疾病关系
+
+**肽段数据特性**
+- 肽数量远大于蛋白质数
+- 多个肽段可能来自同一蛋白质
+- 肽段丰度需要归一化
+
+**临床数据特性**
+- MDS-UPDRS 评分范围 0-260
+- 不同子评分（第一部分到第四部分）
+- 访问时间间隔不均匀
+
+### 2. Feature Engineering Guidelines
+
+**DOs**
+- ✅ 创建患者级别的聚合特征
+- ✅ 利用时间序列信息
+- ✅ 探索蛋白质-肽段关系
+- ✅ 考虑蛋白质生物学意义
+- ✅ 使用领域知识构造特征
+
+**DON'Ts**
+- ❌ 在测试集上计算统计量
+- ❌ 混合不同患者的未来信息
+- ❌ 忽略数据的时间顺序
+- ❌ 过度使用目标编码（容易泄露）
+
+### 3. Model Selection Strategy
+
+**推荐流程**
+1. 从简单模型开始（线性模型、决策树）
+2. 尝试 LightGBM（部分方案有效）
+3. 探索神经网络（1st方案使用）
+4. 集成多个模型
+5. 针对性调整超参数
+
+**模型选择考虑**
+- 数据量小 → 简单模型或强正则化
+- 特征多 → 特征选择或降维
+- 时序特性 → 考虑时间序列模型
+- 集成收益 → 尝试模型融合
+
+### 4. Validation Strategy
+
+**推荐方法**
+```python
+# 患者级别的 Group K-Fold
+from sklearn.model_selection import GroupKFold
+
+gkf = GroupKFold(n_splits=5)
+for fold, (train_idx, val_idx) in enumerate(gkf.split(X, y, groups=patient_ids)):
+    print(f'Fold {fold + 1}')
+    # 训练和验证
+```
+
+**时间序列分割**
+```python
+from sklearn.model_selection import TimeSeriesSplit
+
+tscv = TimeSeriesSplit(n_splits=5)
+for fold, (train_idx, val_idx) in enumerate(tscv.split(X)):
+    # 确保验证集在时间上晚于训练集
+```
+
+### 5. Common Pitfalls
+
+**数据泄露**
+- ❌ 将同一患者的多次访问分散到训练和验证集
+- ❌ 在分割前计算全局统计量
+- ❌ 使用未来信息预测过去
+
+**过拟合**
+- ❌ 特征过多而样本过少
+- ❌ 过度调参导致验证集泄露
+- ❌ 复杂模型在小数据集上
+
+**评估偏差**
+- ❌ 使用错误的评估指标
+- ❌ 忽略 SMAPE 的对称性
+- ❌ 不关注预测的分布特性
+
+### 6. Domain Knowledge Integration
+
+**帕金森病相关**
+- MDS-UPDRS 评分的临床意义
+- 蛋白质标志物的生物学作用
+- 疾病进展的非线性特性
+
+**蛋白质组学**
+- 质谱数据的技术变异
+- 蛋白质-肽段的定量关系
+- 缺失值的含义
+
+### 7. Hyperparameter Tuning
+
+**LightGBM 关键参数**
+```python
+params = {
+    'learning_rate': 0.01,      # 降低学习率
+    'num_leaves': 31,           # 控制复杂度
+    'max_depth': -1,            # 不限制深度
+    'min_data_in_leaf': 20,     # 小数据集增大此值
+    'feature_fraction': 0.8,    # 特征采样
+    'bagging_fraction': 0.8,    # 数据采样
+    'bagging_freq': 5,
+    'lambda_l1': 0.1,           # L1 正则化
+    'lambda_l2': 0.1,           # L2 正则化
+}
+```
+
+**神经网络关键参数**
+```python
+# 小数据集推荐
+hidden_units = [128, 64, 32]   # 减少层数和单元数
+dropout_rate = 0.3              # 增加 dropout
+l2_reg = 0.01                   # L2 正则化
+learning_rate = 0.001           # 适中学习率
+batch_size = 32                 # 小批量
+```
+
+---
+
+## Key Takeaways
+
+1. **小样本竞赛特点**
+   - 特征工程比模型复杂度更重要
+   - 避免过拟合是关键
+   - 简单模型集成可能优于复杂单模型
+
+2. **医疗数据特殊性**
+   - 需要理解领域知识
+   - 数据泄露风险更高
+   - 评估指标的临床意义
+
+3. **成功的共同点**
+   - 仔细的特征工程
+   - 严格的验证策略
+   - 模型集成
+   - 避免数据泄露
+
+4. **需要注意的陷阱**
+   - XGBoost/LightGBM 不是万能的（43rd方案发现）
+   - 数据泄露容易但难以发现
+   - 小样本的过拟合风险
+
+5. **推荐的学习路径**
+   - 从 1st, 2nd, 3rd 方案学习顶级思路
+   - 从 5th, 9th 方案学习实用技巧
+   - 从 43rd 方案学习失败经验
+   - 综合多个方案形成自己的方法
+
+---
+
+## Resources
+
+### Official Writeups
+- [1st Place Solution - Connecting Dotts](https://www.kaggle.com/competitions/amp-parkinsons-disease-progression-prediction/writeups/connecting-dotts-1st-place-solution)
+- [2nd Place Solution - No Luck, All Skill](https://www.kaggle.com/competitions/amp-parkinsons-disease-progression-prediction/writeups/no-luck-all-skill-2nd-place-solution)
+- [3rd Place Solution - Hajime Tamura](https://www.kaggle.com/competitions/amp-parkinsons-disease-progression-prediction/writeups/hajime-tamura-3rd-place-solution)
+- [5th Place Solution - Ambrosm](https://www.kaggle.com/competitions/amp-parkinsons-disease-progression-prediction/writeups/ambrosm-5-find-the-control-group)
+- [9th Place Solution - Makotu](https://www.kaggle.com/competitions/amp-parkinsons-disease-progression-prediction/writeups/makotu-9th-place-solution)
+- [13th Place Solution - FNOA](https://www.kaggle.com/competitions/amp-parkinsons-disease-progression-prediction/writeups/fnoa-13th-place-solution)
+- [43rd Place Solution - Wojciech Victor Fulmyk](https://www.kaggle.com/competitions/amp-parkinsons-disease-progression-prediction/writeups/wojciech-victor-fulmyk-43rd-top-3-silver-medal-sol)
+- [89th Place Solution - Giba (Non-Leaky)](https://www.kaggle.com/competitions/amp-parkinsons-disease-progression-prediction/writeups/giba-top-89-non-leaky-solution)
+
+### External Resources
+- [H2O.ai Blog: Navigating the Parkinson's Disease Prediction Challenge with AI](https://h2o.ai/blog/2023/winners-insight-navigating-the-parkinsons-disease-prediction-challenge-with-ai/)
+- [中文复现: 小样本比赛也能有稳定区分度](https://zhuanlan.zhihu.com/p/669527953)
+
+### Competition Pages
+- [Main Competition Page](https://www.kaggle.com/competitions/amp-parkinsons-disease-progression-prediction)
+- [Data Description](https://www.kaggle.com/competitions/amp-parkinsons-disease-progression-prediction/data)
+- [Discussion Forum](https://www.kaggle.com/c/amp-parkinsons-disease-progression-prediction/discussion)
+
+### Code Notebooks
+- [LightGBM Starter with Added Features](https://www.kaggle.com/code/sijovm/lightgbm-starter-with-added-features)
+- [XGB Baseline with Added Features](https://www.kaggle.com/code/sijovm/xgb-baseline-with-added-features)
+- [AMP® - PDPP EDA + TF Model](https://www.kaggle.com/code/callmewenhao/amp-pdpp-eda-tf-model)
+- [AMP® - PDPP EDA](https://www.kaggle.com/code/gunesevitan/amp-pdpp-eda)