В модели используется признак "высота над уровнем моря".

Значения для train и test данных приведены в файлах:

• data/train_elevation.csv

• data/test_elevation.csv

Для получения этих высот использовалась библиотека PyGMT (https://www.pygmt.org/). Рекомендуется использовать conda для установки этой библиотеки, так как она тянет за собой большое количество зависимостей.

Далее необходимо запустить скрипт elevation.py. Пример:

python elevation.py -i path/to/train.csv -o data/train_elevation.csv
python elevation.py -i path/to/test.csv -o data/test_elevation.csv

Эти скрипты нужно будет запустить несколько раз. Каждый запуск будет обрабатываться по 25 регионов 1гр x 1гр. При большем количество регионов, PyGMT вылетает с ошибкой.

Для обучения моделей LightGBM используется ноутбук innopolis_lightgbm.ipynb. В ходе соревнования он запускался в Google Colab на стандартной машине без GPU.

Для обучения моделей TabNet используется ноутбук innopolis_tabnet.ipynb. В ходе соревнования он запускался на Kaggle на машине с GPU.

Для LightGBM необходимо выполнить код из ноутбука 3 раза:

• с параметрами по умолчанию (используются все столбцы nd_mean_*, параметр colsample_bytree не задан)

• без 8 столбцов nd_mean_* (nd_mean_2021-04-20, nd_mean_2021-04-22, nd_mean_2021-04-23, nd_mean_2021-05-09, nd_mean_2021-06-22, nd_mean_2021-06-25, nd_mean_2021-07-08 и nd_mean_2021-08-27)

• без 8 столбцов nd_mean_* и с параметром colsample_bytree=0.5

Для TabNet необходимо выполнить код из ноутбука 2 раза:

• с параметрами по умолчанию (используются все столбцы nd_mean_*)

• без 8 столбцов nd_mean_* (список столбцов приведен выше)

Примеры предиктов есть в папке data/blend.

Для получения финального решения, необходимо усреднить предсказания от моделей lightgbm и tabnet. Для этого используется скрипт create_submission.py.

Пример:

python create_submission.py -i data\blend\tabnet89.csv -i data\blend\tabnet93.csv -i data\blend\lightgbm88.csv -i data\blend\lightgbm90.csv -i data\blend\lightgbm92.csv -o submission.csv