| ## Kaggle ML model (version 1.0) | |
| 参考 sub-sample-vs-super-sample-noisy-rows.ipynb的主要训练流程，以此基础上，拓展了 | |
| - ML 单模型种类 | |
| - ML 单模型的参数搜索 | |
| - ML 多模型集成的权重搜索 | |
| 等功能，并让整个工作流完整化。 | |
| 还需补充方向： | |
| - 特征的选择（已有 feature_engineering.ipynb可参考，需搜集其他思路） | |
| - MLP的参数搜索 | |
| ### 模块介绍 | |
| 模型参数搜索: optimize_params + HyperparameterOptimizer | |
| 策略集成工作流： main + Utils + inplemental | |
| 相关配置文件： Settings | |
| ### 环境安装 | |
| 如果自己习惯 conda环境，可以直接按照 pyproject.toml中的依赖进行自行安装，略过下面的内容 | |
| 下面介绍一种简单快速的环境安装方法 UV | |
| 1. 安装 uv工具 https://github.com/astral-sh/uv | |
| windows powershell：powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex" | |
| macOS terminal：curl -LsSf https://astral.sh/uv/install.sh | sh | |
| 2. powershell 进入项目 | |
| uv python install 3.11 | |
| uv sync | |
| 如果是 windows且已经安装了 cuda，执行 setup_cuda.py，卸载 cpu版本的 torch，安装 gpu版本的 torch | |
| .venv/bin/activate | |
| python setup_cuda.py | |
| 安装验证 | |
| python -c "import torch; print(f'PyTorch: {torch.__version__}'); print(f'CUDA: {torch.cuda.is_available()}')" | |
| 安装的 gpu版本 torch需要参考本机安装的 cuda版本来进行选择 | |