HK//HACKERSHACKATHONS · KAGGLE · FOR BEGINNERSEN
HACKERS / Kaggle

航空满意度预测(Playground S6E10)新手计划

Kaggle Playground 系列的一场为期一个月的表格二分类练习赛:预测每位乘客满意的概率。数据是合成的,CSV 很干净,奖品是周边,不发奖牌,很适合作为第一场没有压力的 Kaggle 比赛。

这场比赛已经结束,攻略保留作参考。下一届的规则、评审和日期可能会变,请先看官方页面。

截止已截止
奖金—
官方页面 ↗

流程思维导图

根据比赛概览、数据页和公开 notebook 为这场比赛定制。

  1. 01数据处理
    1. 1.1读 train/test;目标列 satisfaction(True/False → 1/0)
    2. 1.24 个类别列:one-hot 或用模型自带的类别处理
    3. 1.313 个评分列:保留为有序数字
    4. 1.4延误时长右偏:试试 log1p
    5. 1.5标记 Arrival Delay 缺失;试试到达延误减出发延误
  2. 02模型设计
    1. 2.1检查用基线:逻辑回归
    2. 2.2主力基线:LightGBM / XGBoost / CatBoost
    3. 2.3进阶:RealMLP 或 TabPFN(高票公开 notebook 里出现过)
  3. 03训练
    1. 3.1StratifiedKFold,5 折
    2. 3.2按 AUC 早停
    3. 3.3保存 out-of-fold(OOF)预测
    4. 3.4对比 CV 和公开排行榜
  4. 04后处理
    1. 4.1提交概率,不要提交 0/1
    2. 4.2AUC 只看排序:用排名平均做融合
    3. 4.3检查表头:id,satisfaction
    4. 4.4按 CV 选最终提交,不按公开榜

关键信息

时间
2026 年 10 月 1 日开始;报名、合并队伍和最终提交都在 2026 年 10 月 31 日 23:59(UTC)截止 ↗
任务
为 test.csv 里的每个 id 预测 satisfaction 的概率 ↗
评测指标
预测概率与真实标签之间的 ROC 曲线下面积(AUC) ↗
数据
train.csv、test.csv、sample_submission.csv(102.54 MB,CSV,CC BY 4.0)。数据是合成的,仿照 Airline satisfaction 数据集生成 ↗
规模
训练集 699,635 行 × 23 列,测试集 299,844 行 × 22 列;21 个特征;292 个缺失值,全部在训练集 ↗
标签分布
训练集中 55.64% 不满意,44.36% 满意 ↗
奖品
第 1–3 名送 Kaggle 周边,整个系列每人只能拿一次;没有积分和奖牌 ↗
参与情况(10 月 9 日)
2,768 名参赛者,1,261 支队伍,10,137 次提交 ↗

题目拆解

一行数据是什么?

一位乘客的一次行程:乘客信息、航班情况(舱位、距离、延误)以及他给 13 项服务打的分。

要预测什么?

test.csv 里每个 id 的 satisfaction 为 True 的概率。

为什么适合新手?

CSV 干净,只有一个目标,指标标准,公开 notebook 多,不涉及奖牌,而且每个月都有新的一期可以重来。

坑在哪里?

292 个缺失值,延误列分布偏斜,还有一个诱惑:照着公开排行榜调参,而不是看自己的交叉验证。

21 个特征

数值 (4)

Age, Flight Distance, Departure Delay in Minutes, Arrival Delay in Minutes

评分(有序) (13)

Inflight wifi service, Departure/Arrival time convenient, Ease of Online booking, Gate location, Food and drink, Online boarding, Seat comfort, Inflight entertainment, On-board service, Leg room service, Baggage handling, Checkin service, Cleanliness

类别 (4)

Gender, Customer Type, Type of Travel, Class

列名来自一个公开的 EDA notebook ↗

评测指标:ROC AUC

AUC 表示:随机抽一位满意的乘客和一位不满意的乘客,前者得到更高预测分的概率。0.5 相当于抛硬币,1.0 是完美。只有预测值的排序有用,所以对概率做缩放或校准不会改变分数,而四舍五入成 0/1 会丢掉排序信息。

参考量级:一个公开的 XGBoost notebook 报告 5 折 CV AUC 约 0.959–0.961,高票公开 notebook 的排行榜分数在 0.961–0.962 左右(10 月 9 日)。头部的差距在小数点后第四位。 ↗

公开基线

比赛 Code 页按票数排序的快照,取于 2026 年 10 月 9 日。分数是 Kaggle 上显示的公开排行榜分数。

Notebook▲LB为什么值得看
PS|S6|E10: RealMLP · PyTabKit650.96105票数最高:只用一个神经网络表格模型(pytabkit 里的 RealMLP)。
S6E10 LightGBM CV 5 folds 0.96111460.96069朴素的 LightGBM 加 5 折 CV:第一个 fork 的最佳选择。
EDA, Feature Engineering & XGBoost300.95932EDA 写得清楚(数据规模、标签分布、特征分组),之后用 StratifiedKFold 训练 XGBoost。
S6E10 | One LightGBM | LB : 0.96017240.96024只有一个模型,不做 stacking:看单个 GBDT 能做到多好。
Single CatBoost 🐱 EDA | PS6E10110.96046CatBoost 能直接处理类别列。
Airline | LGBM/CatB/XGB/RealMLP| Baseline210.96075四类模型的基线放在一起对比。
S6E10: What Each Step Was Worth140.96153列出每一步带来的分数变化,适合学习哪些改动真正有用。
Cleared for Takeoff: LB 0.9606 + What Failed130.96056还列出了哪些尝试没有用。
Stacking TFMs with Public OOF370.96176用 out-of-fold 预测做 stacking:有了 2–3 个模型之后的下一步。
S6E10 | TabPFN + Route Categories | LB 0.96160290.96164表格基础模型(TabPFN)加上构造的航线类别特征。

分步计划

  1. 第 1 天:报名并读题

    登录、接受规则,读 Overview 和 Data 页。打开 sample_submission.csv,看清楚提交格式。

  2. 第 1 天:第一次提交

    fork 一个简单的 LightGBM notebook(比如下面那个 5 折 LightGBM),跑通后提交。目标只是先在榜上有个分数。

  3. 第 2–3 天:自己的 CV

    自己重写一遍基线:5 折 StratifiedKFold,每折算 AUC,保存 OOF 预测。每次运行都记下 CV 和公开榜分数。

  4. 第 4–7 天:特征

    一次只试一个想法:延误取 log1p、延误缺失标记、延误差值、评分求和。只有 CV 变好才保留。

  5. 第 2 周:第二个模型

    用同样的折训练 CatBoost 或 XGBoost,把它的 OOF 和 LightGBM 做排名平均,再看 CV。

  6. 第 3 周:读别人的思路

    读 “What each step was worth” 和一个 stacking notebook。挑一个想法照着做,量化效果,记下失败的尝试。

  7. 10 月 31 日 23:59(UTC)前

    按 CV 分数选最终提交,不要按公开榜排名选;再写一个简短的 notebook 总结学到了什么。