Sberbank Data Science Journey 2018: Docker-friendly baseline

Для работы необходим make и docker. Перед началом работы нужно скачать датасет в папку data.

Особенности решения

• LightGBM с подбором гиперпараметров через hyperopt.
• Mean target Encoding для категориальных фич.
• Для 8-го датасета отбор фич через BorutaPy.
• Лик от bagxi.

Так же есть, но не используются: Vowpal Wabbit, H2O AutoML. Скор на ЛБ: 5,30072.

Make-команды для работы с Docker 🐳

make download - cкачать датасет в папку data.
make train DATASET=1 - обучение модели на датасете с указанным номером [1-8].
make predict DATASET=1 - валидация модели на датасете с указанным номером [1-8].
make score - валидация модели на всех датасетах и сохранение результата в папку scores.
make docker-build - сборка Docker-образа.
make docker-push - залить Docker-образ на Docker Hub.
make run-bash - запустить терминал в Docker-контейнере.
make run-jupyter - запустить Jupyter в Docker-контейнере по адресу http://localhost:8888.
make submission - создать сабмит-файл в директории submissions.

Сборка своего Docker-образа

1. Зарегистрироваться на Docker Hub.
2. Отредактировать Makefile и указать название образа на первой строчке IMAGE=username/image.
3. Отредактировать Dockerfile и добавить установку нужных пакетов.
4. Запустить сборку образа make docker-build.
5. Залить Docker-образ на Docker Hub make docker-push.
6. Убедиться, что созданный репозиторий публичный (Public), а не приватный (Private). Приватность настраивается по ссылке https://hub.docker.com/r/username/image/~/settings/.

Запуск на Windows

1. Установить Docker.
2. Установить Make. И добавить его в PATH.
3. Запустить Docker. В настройках выделить докеру нужное количество оперативной памяти.
4. Запустить PowerShell от имени администратора. При выполнении make-команд дать разрешение на монтирование директории для докера.