這篇文章適合那些剛接觸Kaggle、想盡快熟悉Kaggle并且獨立完成一個競賽項目的網友，對于已經在Kaggle上參賽過的網友來說，大可不必耗費時間閱讀本文。本文分為兩部分介紹Kaggle，***部分簡單介紹Kaggle，第二部分將展示解決一個競賽項目的全過程。如有錯誤，請指正!

[[182402]]

1、Kaggle簡介

Kaggle是一個數據分析的競賽平臺，網址：https://www.kaggle.com/

企業或者研究者可以將數據、問題描述、期望的指標發布到Kaggle上，以競賽的形式向廣大的數據科學家征集解決方

案，類似于KDD-CUP(國際知識發現和數據挖掘競賽)。Kaggle上的參賽者將數據下載下來，分析數據，然后運用機

器學習、數據挖掘等知識，建立算法模型，解決問題得出結果，***將結果提交，如果提交的結果符合指標要求并且在參賽者中排名***，將獲得比賽豐厚的獎金。更多內容可以參閱：大數據眾包平臺

下面我以圖文的形式介紹Kaggle：

進入Kaggle網站：

這是當前正在火熱進行的有獎比賽，有冠軍杯形狀的是“Featured”，譯為“號召”，召集數據科學高手去參賽。下面那個灰色的有試劑瓶形狀的是“Research”，獎金少一點。這兩個類別的比賽是有獎競賽，難度自然不小，作為入門者，應該先做練習賽：

左圖的比賽是“101”，右圖的是“Playground”，都是練習賽，適合入門。入門Kaggle***的方法就是獨立完成101和playground這兩個級別的競賽項目。本文的第二部分將選101中的“Digit Recognition”作為講解。

點擊進入賽題“Digit Recognition”：

這是一個識別數字0～9的練習賽，“Competition Details“是這個比賽的描述，說明參賽者需要解決的問題。”Get the Data“是數據下載，參賽者用這些數據來訓練自己的模型，得出結果，數據一般都是以csv格式給出：

其中，train.csv就是訓練樣本，test.csv就是測試樣本，由于這個是訓練賽，所以還提供了兩種解決方案，knn_benchmark.R和rf_benchmark.R，前者是用R語。言寫的knn算法程序，后者是用R語言寫的隨機森林算法程序，它們的結果分別是knn_benchmark.csv和rf_benchmark.csv。關于csv格式文件，我前一篇文章有詳述：【Python】csv模塊的使用。

得出結果后，接下來就是提交結果”Make a submission“：

要求提交的文件是csv格式的，假如你將結果保存在result.csv，那么點擊”Click or drop submission here“，選中result.csv文件上傳即可，系統將測試你提交的結果的準確率，然后排名。

另外，除了“Competition Details“、”Get the Data“、”Make a submission“，側邊欄的”Home“、”Information“、”Forum”等，也提供了關于競賽的一些相關信息，包括排名、規則、輔導……

【以上是***部分，暫且寫這么多，有補充的以后再更】

2、競賽項目解題全過程

(1)知識準備

首先，想解決上面的題目，還是需要一點ML算法的基礎的，另外就是要會用編程語言和相應的第三方庫來實現算法，常用的有：

Python以及對應的庫numpy、scipy、scikit-learn(實現了ML的一些算法，可以直接用)、theano(DeepLearning的算法包)。

R語言、weka

如果用到深度學習的算法，cuda、caffe也可以用。

總之，使用什么編程語言、什么平臺、什么第三方庫都無所謂，無論你用什么方法，Kaggle只需要你線上提交結果，線下你如何實現算法是沒有限制的。

Ok，下面講解題過程，以”Digit Recognition“為例，數字識別這個問題我之前寫過兩篇文章，分別用kNN算法和Logistic算法去實現，有完整的代碼，有興趣可以閱讀：kNN算法實現數字識別、 Logistic回歸實現數字識別

(2)Digit Recognition解題過程

下面我將采用kNN算法來解決Kaggle上的這道Digit Recognition訓練題。上面提到，我之前用kNN算法實現過，這里我將直接copy之前的算法的核心代碼，核心代碼是關于kNN算法的主體實現，我不再贅述，我把重點放在處理數據上。

以下工程基于Python、numpy

獲取數據

從”Get the Data“下載以下三個csv文件：

分析train.csv數據

train.csv是訓練樣本集，大小42001*785，***行是文字描述，所以實際的樣本數據大小是42000*785，其中***列的每一個數字是它對應行的label，可以將***列單獨取出來，得到42000*1的向量trainLabel，剩下的就是42000*784的特征向量集trainData，所以從train.csv可以獲取兩個矩陣trainLabel、trainData。

下面給出代碼，另外關于如何從csv文件中讀取數據，參閱：csv模塊的使用

這里還有兩個函數需要說明一下，toInt()函數，是將字符串轉換為整數，因為從csv文件讀取出來的，是字符串類型的，比如‘253’，而我們接下來運算需要的是整數類型的，因此要轉換，int(‘253’)=253。toInt()函數如下：

nomalizing()函數做的工作是歸一化，因為train.csv里面提供的表示圖像的數據是0～255的，為了簡化運算，我們可以將其轉化為二值圖像，因此將所有非0的數字，即1～255都歸一化為1。nomalizing()函數如下：

分析test.csv數據

test.csv里的數據大小是28001*784，***行是文字描述，因此實際的測試數據樣本是28000*784，與train.csv不同，沒有label，28000*784即28000個測試樣本，我們要做的工作就是為這28000個測試樣本找出正確的label。所以從test.csv我們可以得到測試樣本集testData，代碼如下：

分析knn_benchmark.csv

前面已經提到，由于digit recognition是訓練賽，所以這個文件是官方給出的參考結果，本來可以不理這個文件的，但是我下面為了對比自己的訓練結果，所以也把knn_benchmark.csv這個文件讀取出來，這個文件里的數據是28001*2，***行是文字說明，可以去掉，***列表示圖片序號1～28000，第二列是圖片對應的數字。從knn_benchmark.csv可以得到28000*1的測試結果矩陣testResult，代碼：

到這里，數據分析和處理已經完成，我們獲得的矩陣有：trainData、trainLabel、testData、testResult

算法設計

這里我們采用kNN算法來分類，核心代碼：

關于這個函數，參考：kNN算法實現數字識別

簡單說明一下，inX就是輸入的單個樣本，是一個特征向量。dataSet是訓練樣本，對應上面的trainData，labels對應trainLabel，k是knn算法選定的k，一般選擇0～20之間的數字。這個函數將返回inX的label，即圖片inX對應的數字。

對于測試集里28000個樣本，調用28000次這個函數即可。

保存結果

kaggle上要求提交的文件格式是csv，上面我們得到了28000個測試樣本的label，必須將其保存成csv格式文件才可以提交，關于csv，參考：【Python】csv模塊的使用。

代碼:

綜合各函數

上面各個函數已經做完了所有需要做的工作，現在需要寫一個函數將它們組合起來解決digit recognition這個題目。我們寫一個handwritingClassTest函數，運行這個函數，就可以得到訓練結果result.csv。

運行這個函數，可以得到result.csv文件：

2 0 9 9 3 7 0 3…….就是每個圖片對應的數字。與參考結果knn_benchmark.csv比較一下：

28000個樣本中有1004個與kknn_benchmark.csv中的不一樣。錯誤率為3.5%，這個效果并不好，原因是我并未將所有訓練樣本都拿來訓練，因為太花時間，我只取一半的訓練樣本來訓練，即上面的結果對應的代碼是：

[python] view plain copyclassifierResult = classify(testData[i], trainData[0:20000], trainLabel[0:20000], 5) 

訓練一半的樣本，程序跑了將近70分鐘(在個人PC上)。

提交結果

將result.csv整理成kknn_benchmark.csv那種格式，即加入***行文字說明，加入***列的圖片序號，然后make a submission，結果準確率96.5%：

下載工程代碼：github地址