📌 前言：为什么要打 Kaggle？
Kaggle 是全球最大的数据科学竞赛平台，也是数据科学领域最实际的"刷题场"。不同于 LeetCode 刷算法、Kaggle 让你从头到尾体验一个真实的 ML 工作流程：
- 下载真实数据
- 阅读高手 Notebook 学招式
- 提交预测结果看排名
- 拿到Medal（奖牌）放进履历或作品集
不管你是要推甄研究所、找数据科学实习，还是纯粹想提升实力，打 Kaggle 永远是 CP 值最高的方式之一。
🚀 Step 0：注册 Kaggle 帐号
前往 kaggle.com，点右上角Sign In或Register，用 Google 帐号直接一键登入。
⚠️第一次参加比赛的必要步骤：进入比赛页面后，先点选Rules分页，点Join Competition / Accept Rules。 没做这步，就看不到下载按钮，也无法提交结果！
🏁 Step 1：选定比赛——Predicting F1 Pit Stops（S6E5）
本次选定的比赛是 Kaggle Playground Series Season 6 Episode 5：
🔗 Predicting F1 Pit Stops | Kaggle
为什么选这场？
表格
| 理由 | 说明 |
|---|---|
| 🎯适合入门 | Playground Series 是 Kaggle 官方每月举办的练习赛，难度适中 |
| 📊Tabular 数据 | 表格型数据，不需要深度学习，统计背景可直接上手 |
| 🏆有 Medal | Playground 比赛有正式奖牌制度，Top 10% 得铜牌、Top 5% 得银牌 |
| 🧠有趣的领域 | F1 赛车策略，比预测房价有意思得多 |
📥 Step 2：下载数据
进入比赛页面 → 点Data分页 → 点Download All，下载压缩包。
解压缩后你会看到3 个档案：
plaintext
playground-series-s6e5/ ├── train.csv ← 训练集（有标签） ├── test.csv ← 测试集（要预测这个） └── sample_submission.csv ← 提交格式范本🗺️ Step 3：先搞懂规则，再开始建模
下载数据后，千万不要立刻开始写模型！
就像打英雄联盟要先知道蓝 Buff 和红 Buff 的位置，打 Kaggle 也要先搞清楚这三件事：
① 任务目标 → ② 评分方式 → ③ 数据型态
这三步做好了，之后的每一个决策都会更有方向。
① 任务目标：这是什么问题？
→ 二元分类（Binary Classification）
比赛要你预测每一圈赛车下一圈是否会进站，目标栏位是PitNextLap：
表格
| 值 | 意义 |
|---|---|
1 | 这辆车下一圈会进站 |
0 | 这辆车下一圈不会进站 |
但注意：你提交的不是 0 或 1 的硬预测，而是进站的机率（0.0 到 1.0 之间的小数）。
plaintext
# sample_submission.csv 长这样： id,PitNextLap 439140,0 ← Kaggle 给的 dummy baseline（全部填 0） 439141,0 439142,0 ...你的任务：把这些 0 换成真实的机率预测，例如：
plaintext
439140,0.0823 439141,0.4156 439142,0.0341② 评分方式：Leaderboard 怎么算分？
→ ROC AUC（Area Under the ROC Curve）
AUC 是二元分类机率预测最常用的指标，分数从 0 到 1：
表格
| AUC 分数 | 代表意义 |
|---|---|
| 0.50 | 跟乱猜一样 |
| 0.80 | 还不错的水准 |
| 0.90 | 很强 |
| 0.95+ | 目前 Leaderboard 顶尖水准 |
| 1.00 | 完美预测 |
AUC 的关键特性（直接影响你的策略）：
AUC 只看排名顺序，不看绝对值
- 你预测 A=0.9、B=0.1，和 A=0.6、B=0.4，对 AUC 的贡献是一样的（只要 A 排在 B 前面）
- 所以「让进站和不进站的机率差距更大」比「把机率校准到完美」更重要
类别不平衡不会直接惩罚 AUC
- 赛车一场比赛 50 圈，进站只有 1-3 圈，正例比例约 5-15%
- AUC 对这种不平衡有天然的抵抗力，但训练模型时仍要处理
为什么 Blending（模型融合）特别有效？
- 不同模型看到的「排名顺序」不同，融合后互补，AUC 就能提升
- 这也是为什么 Kaggle 高手最后几天都在疯狂融合模型
③ 数据型态：数据长什么样？
→ 表格型时间序列数据（Tabular + Sequential）
这份数据是以「一圈一列」为单位的 F1 赛事记录，共33 个栏位。
下载数据后，立刻执行这段 EDA 诊断码：
python
import pandas as pd train = pd.read_csv('train.csv') test = pd.read_csv('test.csv') # 基本形状 print(f"Train: {train.shape}") print(f"Test: {test.shape}") # 目标分布 print("\n目标栏位分布：") print(train['PitNextLap'].value_counts()) print(f"进站比例: {train['PitNextLap'].mean():.2%}") # 栏位型态 print("\n栏位与数据型态：") print(train.dtypes) # 缺失值 print("\n缺失值统计：") missing = train.isnull().sum() print(missing[missing > 0] if missing.any() else "无缺失值") # 数值统计 print("\n描述统计：") print(train.describe())根据原始 F1 Strategy Dataset，预期看到的栏位大致分为：
表格
| 栏位类型 | 包含栏位 | 对预测的重要性 |
|---|---|---|
| 🔑 识别栏 | id,RaceID,DriverID | 不直接用，但分组用 |
| 🏎️ 赛况 | LapNumber,Position,Stint | 高 |
| 🔴轮胎（最重要） | Compound,TyreLife（已被移除！） | 极高 |
| ⏱️ 圈速 | LapTime,Sector1/2/3Time | 高（退化信号） |
| 📍 位置差距 | GapToLeader,IntervalToNext | 中 |
| 🚨 赛况旗帜 | TrackStatus（安全车） | 中 |
| 🎯 目标 | PitNextLap | 只在 train 有 |
⚠️ 比赛的关键陷阱：被刻意拿掉的 Normalized_TyreLife
这场比赛最大的挑战在官方说明里就写了：
"We intentionally removeNormalized_TyreLifewhich makes the prediction trivial."（我们刻意移除了Normalized_TyreLife，因为有了这个栏位预测就太简单了。）
轮胎寿命是 F1 进站决策最核心的因素——轮胎跑越久越退化，圈速变慢就该进站换胎。Kaggle 刻意拿掉这个栏位，让你用其他特征自己重建「轮胎寿命」的代理变数。
这是这场比赛的破关关键，我们会在下一篇详细讲特征工程的方法。
📋 本篇总结：三件事搞清楚了吗？
表格
| 问题 | 答案 |
|---|---|
| 这是什么任务？ | 二元分类，预测下一圈进站机率 |
| 怎么评分？ | ROC AUC，越接近 1 越好 |
| 数据是什么型态？ | 表格型时间序列，33 栏，需要重建轮胎寿命特征 |
🔮 下一篇预告
第二篇：EDA 实作 + 特征工程——如何重建被偷走的「轮胎寿命」？
我们会用 Python 实际跑完整的探索性数据分析，并设计以下特征：
- 用累积圈数重建轮胎寿命代理变数
- 滚动圈速趋势（退化信号）
- 安全车旗帜的进站时机特征
- 与队友的策略差异特征
💬 互动区
你也在打 Kaggle 吗？欢迎在评论区告诉我：
- 你目前的 Kaggle Rank 是什么？
- 第一次提交时最大的困惑是什么？
觉得有帮助的话，点个 👍 或收藏吧！这个系列会持续更新到拿到奖牌为止。
🔗 相关链接
- 比赛页面：Predicting F1 Pit Stops（S6E5）
- 原始数据集：F1 Strategy Dataset
- Kaggle Playground Series 总览
标签：
Kaggle机器学习数据科学PythonF1赛车二元分类ROC AUC竞赛实战特征工程LightGBM
