机器学习：第五步：Python 上实现机器学习的基本算法(logistic 回归)

第1章绪论

题目来源：http://suo.im/S2beL

数据来源：https://github.com/ajschumacher/gadsdata/tree/master/lemons

 

1.1研究背景

一个汽车经销商在汽车拍卖平台采购一个二手车所面临的一个巨大的挑战是可能购买到有一系列问题的汽车，从而不能卖给顾客。汽车论坛称这种不幸的购买为“kicks”

    坏车原因可能是里程计别篡改，也可能是经销商也无法处理的机械问题，也可能是汽车名称问题或其它难以预测的问题。坏车对于经销商是一个巨大的花费，包括在运输费，修理费，和二手车市场损失费等

1.2研究问题

   预测在拍卖平台购买的汽车是否是一个坏车？

1.3研究目标

   模型可以得到哪个车更可能为坏车并为经销商提供一个真实的值，为客户提供一个最佳库存选择。

 

第2章数据分析

2.1特征清单

RefID	赋予每辆汽车独一无二的名字
IsBadBuy	购买是否为坏车的标识
PurchDate	在拍卖平台的购买日期
Auction	所购汽车的拍卖平台
VehYear	汽车制造年限
VehicleAge	汽车使用年限
Make	汽车制造商
Model	汽车模型
Trim	汽车配置水平
SubModel	汽车子模型
Color	汽车颜色
Transmission	汽车变速器形式（自动、手动）
WheelTypeID	汽车轮胎类型ID
WheelType	轮胎类型
VehOdo	汽车里程表读数
Nationality	制造商所属国家
Size	汽车尺寸类别（紧凑型、SUV）
TopThreeAmericanName	确定制造商是否是美国三大制造商之一
PRIMEUNIT	确定该汽车需求比普通车型要高
AcquisitionType	汽车如何获得（拍卖平台购买、交易）
AUCGUART	汽车拍卖所提供的等级保护（绿灯保证/可仲裁、黄色警示/问题、红灯出售）
KickDate	汽车是坏的返回拍卖平台的日期
BYRNO	购买者购买汽车分配的标识
VNZIP	汽车购买的邮政编码
VNST	汽车购买状态
VehBCost	汽车购置成本
IsOnlineSale	汽车是否初次在网上售卖标识
WarrantyCost	保修价格（期限＝36个月，保险费＝36K）
MMRAcquisitionAuctionAveragePrice		平均条件该汽车购置价格
MMRAcquisitionAuctionCleanPrice		在平均条件该汽车的平均购置价格
MMRAcquisitionRetailAveragePrice		平均条件该汽车在零售市场购置价格
MMRAcquisitonRetailCleanPrice