准备工作：去课程github下载原始代码，kaggle下载数据集。或者关注微信公众号：机器学习手艺人，下载代码和数据集（文末有方法）。解压数据集，出现两个csv文件covid.test.csv，covid.train.csv，将文件和代码放到同一目录下。
kaggle提交: https://www.kaggle.com/c/ml2022spring-hw1，提交结果可能需要科学上网
Simple baseline (mse<2.28371): 直接运行HW1代码，可能需要下载一些工具包，运行过后出现pred.csv，将此文件提交到kaggle上面出现分数：1.84996，已经比simple baseline要好很多了。
Medium baseline (mse<1.49430): 使用特征选择（feature selection）。原始特征有117个，噪音较多，神经网络学习相对困难。因为我们预测的是第5天的tested_postive，比较合理的想法是选择前四天的tested_positive数据作为训练特征。因这四个特征对应的index是[53, 69, 85, 101]，我们将select_feat函数中的feat_idx 进行修改。运行代码，提交得到：1.09591，已经接近strong baseline了。
Strong baseline (mse<1.05728): 使用特征选择+网络架构采用LeakyReLU + Adam优化器。特征选择仍然用medium baseline的方法，网络架构中将nn.ReLU()代替为nn.LeakyReLU(0.1)，将SGD优化器换成Adam，同时将learning rate由原来的1e-5扩大10倍。提交后得到分数：1.04168，稍好于strong baseline。
Boss baseline (mse<0.85800): 使用更精准的特征选择+归一化+网络架构改变+Adam优化器+余弦退火学习率。
特征选择利用sklearn中的特征选择方法，选择了24个最有影响的特征。对特征进行归一化处理，将其转换到[0, 1]区间内。网络架构中将nn.ReLU()代替为nn.LeakyReLU(0.1)，同时变动了层的宽度，使用了dropout减少过拟合。将SGD优化器换成Adam，学习率使用余弦退火。提交后得到分数：0.85433，不过private还没突破boss，需要做些微调。
作业一答案获得方式：
扫码关注 “机器学习手艺人”微信公众号
后台回复关键词：202201