- 赛事介绍
- 竞赛排行榜
- 奖金记录
- 讨论($vue{comment_count})
- 学习资源
大赛简介
此数据集来自克利夫兰医学研究中心的心脏病患者数据，可用于建立心脏病诊断模型。该数据集包括270个样本，每条数据涵盖了年龄，性别，血浆类固醇含量以及是否患有心脏病等14个属性
参赛须知
参赛时间: 本次竞赛无时间限制，长期有效开放
参赛方式
- 方式一：
- 在线查看样例根据FlyAI样例模版实现算法并使用云端免费GPU进行模型训练获得最终成绩得分
- 方式二：
- 下载FlyAI样例模版进行本地调试并提交到云端使用免费GPU进行模型训练获得最终成绩得分，在本地进行代码调试的教程请查看[文档中心]
参赛选手说明
- 参赛人员身份信息需保证真实、有效，大赛主办方仅将个人信息用于赛事数据授权及颁奖使用
- 欢迎海内外的在校学生，算法工程师和所有AI爱好者参与
- 本次竞赛报名形式：以个人形式本地提交作品线上审核，并且以最终提交算法得分作为唯一有效成绩
- 在比赛截止日期前，团队中成绩最高分作为本团队的最终成绩
- 报名成功后请加入FlyAI竞赛交流群，一起学习进步！重要通知也将在群内发布，不要错过哦
比赛作品说明
- 参赛选手需要配合组委会对比赛作品的有效性与真实性进行验证
- 不同团队/个人，提交相似结果文件，取消双方所有人员参赛资格
- 多开小号报名、提交，一经发现将取消参赛资格
- 禁止使用外部链接下载代码替换本项目代码
- 比赛过程中，通过脚本获取比赛数据，成绩无效
- 使用线上测试集进行训练或者使用非官方提供的外部数据进行训练，成绩无效
- 使用的预训练模型需为FlyAI官方审核通过的模型，使用非官方验证预训练模型，成绩无效
- 提交的代码具备可解释性并且其它开源框架可复现
- 所有相似代码将一律不通过审核！！情况多次出现者封号处理
- 如有发现利用非正常手段作弊行为，奖金一律不发放。之前所获得奖金金额官方有权收回，情节严重者封号处理
- 提交代码即视为阅读并同意以上比赛作品说明
大赛奖项设置
奖项说明:
| 奖项设置 |
获奖人数 |
奖金额度说明(按最终得分评判) |
| 参与奖（总奖金30%） |
所有人 |
不同得分区间获得相应的竞赛奖金 |
| 突破奖（总奖金20%） |
所有人 |
更新排行榜得分，获取相应竞赛奖金 |
| 排名奖（总奖金50%） |
第一周/月前3名（冠、亚、季军） |
项目上线第一周、第一个月; Time_P(周) = 0.5，Time_P(月) = 0.5；K1=0.5，K2=0.3，K3=0.2； |
| 不同框架奖励 |
所有人 |
获得60FAI币用于GPU训练资源消耗 |
赛事主题和数据说明
赛题描述
通过实现算法并提交训练，获取奖金池奖金。小提示：抢先更新算法排行榜，有更大机会获取高额奖金哦！
数据来源
HeartDisease
数据描述
由于需要提交代码作品在云端进行训练，参赛数据集不对外开放。仅提供调试数据，可通过使用本地调试的方式获取调试数据集。本地调试和提交指南请查看[文档中心]
字段说明：
| 文件名 |
字段名称 |
字段类型 |
备注 |
| age |
int |
大于等于 29, 小于等于 77 |
年龄 |
| sex |
int |
大于等于 0, 小于等于 1 |
性别 |
| cp |
int |
大于等于 1, 小于等于 4 |
胸痛类型 |
| trestbps |
float |
不为空 |
静息血压 |
| chol |
float |
大于等于 126, 小于等于 564 |
血浆类固醇含量 |
| fbs |
int |
大于等于 0, 小于等于 1 |
空腹血糖>120mg/dl |
| restecg |
int |
大于等于 0, 小于等于 2 |
静息心电图结果 |
| thalach |
float |
大于等于 71, 小于等于 202 |
最高心率 |
| exang |
int |
大于等于 0, 小于等于 1 |
运动型心绞痛 |
| oldpeak |
float |
大于等于 0, 小于等于 6.2 |
运动引起的ST下降 |
| slope |
int |
大于等于 1, 小于等于 3 |
最大运动量时心电图ST的斜率 |
| ca |
int |
大于等于 0, 小于等于 3 |
使用荧光染色法测定的主血管数 |
| thal |
int |
大于等于 3, 小于等于 7 |
THAL |
| label |
int |
大于等于 0, 小于等于 1 |
是否患有心脏病 |
参考文献：
[1]https://www.ajconline.org/article/0002-9149(89)90524-9/abstract
评审标准
算法输入输出格式
输入字段：
age,
sex,
cp,
trestbps,
chol,
fbs,
restecg,
thalach,
exang,
oldpeak,
slope,
ca,
thal,
输出字段：
label,
评审指标说明
- 准确率（Accuracy）：对于给定的测试数据集，预测正确的样本数与实际总样本数之比
- True，表示预测正确的样本数数量
- Total Number of Samples，表示实际总样本数数量
- 计算公式如下：
比赛常见问题说明
Q:比赛使用什么框架？
- 比赛支持常用的机器学习和深度学习框架，比如TensorFlow，PyTorch，Keras，Scikit-learn、MXNet等。
Q:怎么参加比赛，需不需要提交CSV文件？
- FlyAI竞赛平台提供免费云端GPU资源，报名后可以使用自己熟练的框架，修改main.py中的网络结构和processor.py中的数据处理；仅部分赛题支持CSV方式提交，请仔细阅读参赛方式相关内容。
Q:比赛排行榜分数怎么得到的？
- 参加项目竞赛必须实现 model.py 中的predict_all方法。系统通过该方法，调用模型得出评分。
超过 90分 的成绩会在48小时内更新到排行榜，不要着急哦！
batch数据为128，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为100.00。
batch数据为256，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为94.44。
batch数据为128，循环次数为20次，通过在线上环境完成训练，模型最优精度评分为90.74。
4
batch数据为250，循环次数为250次，通过在线上环境完成训练，模型最优精度评分为90.74。
5
batch数据为216，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为85.19。
6
batch数据为512，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为85.19。
7
batch数据为270，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为85.19。
8
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为85.19。
9
batch数据为216，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为85.19。
10
batch数据为128，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为83.33。
11
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为83.33。
12
batch数据为128，循环次数为2000次，通过在线上环境完成训练，模型最优精度评分为83.33。
13
batch数据为32，循环次数为550次，通过在线上环境完成训练，模型最优精度评分为83.33。
14
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为83.33。
15
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为83.33。
16
batch数据为128，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为81.48。
17
batch数据为128，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为81.48。
18
batch数据为32，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为81.48。
19
batch数据为256，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为81.48。
20
batch数据为64，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为81.48。
21
batch数据为300，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为81.48。
22
batch数据为128，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为81.48。
23
batch数据为500，循环次数为3次，通过在线上环境完成训练，模型最优精度评分为81.48。
24
batch数据为500，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为81.48。
25
batch数据为128，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为81.48。
26
batch数据为32，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为79.63。
27
batch数据为128，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为79.63。
28
batch数据为128，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为79.63。
29
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为79.63。
30
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为79.63。
31
batch数据为128，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为79.63。
32
batch数据为1000，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为79.63。
33
batch数据为128，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为79.63。
34
batch数据为32，循环次数为2000次，通过在线上环境完成训练，模型最优精度评分为79.63。
35
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为79.63。
36
batch数据为128，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为79.63。
37
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为79.63。
38
batch数据为256，循环次数为2000次，通过在线上环境完成训练，模型最优精度评分为77.78。
39
batch数据为64，循环次数为2400次，通过在线上环境完成训练，模型最优精度评分为77.78。
40
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为77.78。
sklearn
AdaBoostClassifier
2019-04-30 21:41:49
41
batch数据为32，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为77.78。
42
batch数据为128，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为77.78。
43
batch数据为100，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为77.78。
44
batch数据为128，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为77.78。
45
batch数据为256，循环次数为2000次，通过在线上环境完成训练，模型最优精度评分为75.93。
46
batch数据为128，循环次数为2000次，通过在线上环境完成训练，模型最优精度评分为75.93。
47
batch数据为1024，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为75.93。
48
batch数据为128，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为75.93。
49
batch数据为64，循环次数为2000次，通过在线上环境完成训练，模型最优精度评分为74.07。
50
batch数据为32，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为74.07。
51
batch数据为32，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为74.07。
52
batch数据为50，循环次数为320次，通过在线上环境完成训练，模型最优精度评分为74.07。
53
batch数据为128，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为72.22。
54
batch数据为16，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为72.22。
55
batch数据为32，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为70.37。
56
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为70.37。
57
batch数据为256，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为70.37。
58
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为70.37。
59
batch数据为64，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为68.52。
60
batch数据为64，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为68.52。
61
batch数据为200，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为68.52。
62
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为68.52。
63
batch数据为64，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为68.52。
64
batch数据为32，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为66.67。
65
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为66.67。
66
batch数据为500，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为66.67。
67
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为66.67。
68
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为66.67。
69
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为66.67。
70
batch数据为64，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为66.67。
71
batch数据为256，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为66.67。
72
batch数据为128，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为66.67。
73
batch数据为32，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为66.67。
74
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为66.67。
75
batch数据为256，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为66.67。
76
batch数据为8，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为66.67。
77
batch数据为128，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为66.67。
78
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为64.81。
79
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为59.26。
80
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为59.26。
81
batch数据为128，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为59.26。
82
batch数据为10，循环次数为5000次，通过在线上环境完成训练，模型最优精度评分为59.26。
83
batch数据为128，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为59.26。
scikit-learn
DecisionTree
2019-08-04 11:47:54
84
batch数据为64，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为59.26。
85
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为59.26。
86
batch数据为200，循环次数为16次，通过在线上环境完成训练，模型最优精度评分为59.26。
87
batch数据为27，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为59.26。
88
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为59.26。
89
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为59.26。
90
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为12.96。
91
batch数据为128，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为9.26。
92
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
93
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
94
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
95
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为9.26。
96
batch数据为128，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为9.26。
97
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
98
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为9.26。
99
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
100
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为9.26。
101
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
102
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
103
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为9.26。
104
batch数据为64，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为9.26。
105
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
106
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
107
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
108
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
109
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
110
batch数据为32，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
111
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
112
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
113
batch数据为100，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为9.26。
114
batch数据为250，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为9.26。
115
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
116
batch数据为640，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
117
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
118
batch数据为128，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为9.26。
119
batch数据为64，循环次数为20次，通过在线上环境完成训练，模型最优精度评分为9.26。
120
batch数据为128，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为9.26。
121
batch数据为200，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
122
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
123
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
124
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
125
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
126
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为9.26。
127
batch数据为12，循环次数为22次，通过在线上环境完成训练，模型最优精度评分为9.26。
128
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
129
batch数据为10，循环次数为128次，通过在线上环境完成训练，模型最优精度评分为9.26。
130
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
131
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
132
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
133
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
134
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
135
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
136
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
137
batch数据为32，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
138
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
139
batch数据为46，循环次数为23次，通过在线上环境完成训练，模型最优精度评分为9.26。
140
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
141
batch数据为128，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为9.26。
142
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
143
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为9.26。
144
batch数据为128，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为9.26。
145
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
146
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
147
batch数据为128，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
148
batch数据为64，循环次数为20次，通过在线上环境完成训练，模型最优精度评分为9.26。
149
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
150
batch数据为256，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
151
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
152
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
153
batch数据为128，循环次数为60次，通过在线上环境完成训练，模型最优精度评分为9.26。
154
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
155
batch数据为100，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为9.26。
156
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
157
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
158
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
159
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
160
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
161
batch数据为128，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
162
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为9.26。
163
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
164
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
165
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为9.26。
- gboy
-
模型得分为100，本次获得排名奖奖金为62.5元
2019-05-25 15:00:02
- hhy
-
模型得分为94.44，本次获得排名奖奖金为37.5元
2019-05-25 15:00:02
- gboy
-
模型得分为100，本次获得排名奖奖金为37.5元
2019-05-06 15:00:02
- hhy
-
模型得分为94.44，本次获得排名奖奖金为25元
2019-05-06 15:00:02
- hhy
-
模型得分为94.44，本次获得实时奖励奖金为11.25元
2019-05-05 10:25:08
- gboy
-
模型得分为100，本次获得实时奖励奖金为18.75元
2019-05-04 11:07:35
- hhy
-
模型得分为90.74，本次获得实时奖励奖金为1.5元
2019-05-04 11:07:30
