河北高校邀请赛——二手车交易价格预测学习笔记(1)

Task 01赛题理解

学习目标

• 理解赛题数据和目标，清楚评分体系。
• 完成相应报名，下载数据和结果提交打卡（可提交示例结果），熟悉比赛流程

了解赛题

• 赛题概况
  赛题以预测二手车的交易价格为任务，该数据来自某交易平台的二手车交易记录，总数据量超过40w，包含31列变量信息，其中15列为匿名变量。为了保证比赛的公平性，将会从中抽取15万条作为训练集，5万条作为测试集A，5万条作为测试集B，同时会对name、model、brand和regionCode等信息进行脱敏
• 数据概况
  SaleID - 销售样本ID
  name - 汽车编码
  regDate - 汽车注册时间
  model - 车型编码
  brand - 品牌
  bodyType - 车身类型
  fuelType - 燃油类型
  gearbox - 变速箱
  power - 汽车功率
  kilometer - 汽车行驶公里
  notRepairedDamage - 汽车有尚未修复的损坏
  regionCode - 看车地区编码
  seller - 销售方
  offerType - 报价类型
  creatDate - 广告发布时间
  price - 汽车价格
  v_0’, ‘v_1’, ‘v_2’, ‘v_3’, ‘v_4’, ‘v_5’, ‘v_6’, ‘v_7’, ‘v_8’, ‘v_9’, ‘v_10’, ‘v_11’, ‘v_12’, ‘v_13’,‘v_14’ 【匿名特征，包含v0-14在内15个匿名特征】
• 预测指标
  MAE(Mean Absolute Error)
  
  其中 yi 代表第 i 个样本的真实值，其中 ^yi 代表第 i 个样本的预测值。
  这个MAE自然是越小，模型效果越好。
• 分析赛题
  Kaggle上有一句非常经典的话，数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。因此，想要做好这个题目，首先得了解一些二手车交易基本的业务知识，以便我们更好的做特征工程。
  这是一个典型的回归问题，我们可以从先从简单的回归模型尝试，如线性回归、逻辑斯蒂回归，到比较复杂的 集成算法如随机森林、xgboost等。baseline的特征选择十分简单，只是简单去除了具有脱敏信息的特征列，还去除了bodyType、fuelType、offerType三个离散型特征(这个不清楚为什么)。模型方面选择了xgb和lightgbm作为初级学习器，先分别预测，再做了一个简单的加权融合，提升空间应该是蛮大的。
  总之，先不着急修改模型，先做做数据探索，了解了解业务信息再做进一步的打算。