机器学习在竞赛和工业界应用是有很大区别的，竞赛通常关注极致的评价指标，而工业应用会在满足应用标准的前提下，会更加关注模型的稳定性、可解释性和领域专家知识的应用

竞赛

通常为了取的比赛名次，极致地通过各种方法提升评价指标

1. 数据质量：数据源不变，不关注数据质量提升
2. 模型应用：使用新模型、复杂模型、模型融合的方法
3. 特征工程：使用计算代价很高的数据增强
4. 调参：进行大量的模型调参工作
5. 稳定性：离线模型，对稳定性要求低
6. 领域专家知识：很多竞赛甚至会对原始数据进行脱敏（如字段名称重新标记），防止专家知识的运用，因此竞赛中的领域专家知识运用较少

工业应用

通常在满足应用场景的条件下，更加关注模型的稳定性，注重数据质量的不断提升

1. 数据质量：数据是不断变化的，因此关注数据质量提升
2. 模型应用：一般使用主流、相对简单的模型，较少使用复杂模型、模型融合的方法，这对于模型的可解释性以及问题debug会有帮助
3. 特征工程：关注工程性能，一般不会使用计算代价很高的数据增强
4. 调参：超参数固定后，较长时间不动（一般一年调几次）
5. 稳定性：生产环境线上实时模型部署，对稳定性要求高
6. 领域专家知识：会运用专家知识、理论模型进行建模