House Prices (1):python 探索性数据分析

本文探讨了在房价预测的Kaggle比赛中,使用Python进行探索性数据分析(EDA)的重要性。通过分析公式(1)和(2),解释了为何采用对数转换以平衡大数与小数的预测误差。作者引用了金融和科研背景,强调取对数的直观意义,并分享了在数据处理中遇到的问题,如缺失值、异常值、异方差性和0值处理。还提到了定性变量处理、Johnson's SU分布、ANOVA测试以及聚类方法的应用。
摘要由CSDN通过智能技术生成

如题,这是一个kaggle的训练赛。目标是预测房价。

评分指标是房价预测值与观测值取log后的RMSE,并且赛题指出取对数使得对较贵房子的预测误差和对便宜房子的预测误差对结果有同样的影响,为什么?

先把公式写出来:


RMSE=nt=1(y^ty
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值