17、提升自定义模型性能：二手车拍卖价格预测实战

提升自定义模型性能：二手车拍卖价格预测实战

1. 项目背景与目标

在二手车拍卖价格预测项目中，初始的线性回归模型采用 scikit - learn 构建，但未能达到业务目标，即销售价格的均方根误差（RMSE）需控制在 2000 美元以内，且不能使用 Manheim Market Report（MMR）特征。项目提供了已清理的 CSV 数据集，以及构建线性回归模型的代码和数据划分情况，还包含一个未使用的测试数据集用于验证最终模型性能。我们的任务是通过特征工程和超参数调优来提升模型性能。

数据集包含 13 列，具体信息如下表所示：
| 列名 | 列类型 | 字段值说明 |
| — | — | — |
| year | Integer | 车辆制造年份 |
| make | String | 车辆品牌 |
| model | String | 车辆特定版本或变体 |
| trim | String | 车辆型号的特定版本或变体 |
| body | String | 车辆车身样式（如轿车） |
| transmission | String | 自动或手动变速器 |
| state | String | 车辆销售所在州 |
| condition | Float | 车辆状况评分（0 到 5） |
| odometer | Integer | 销售时的里程表读数 |
| color | String | 车辆颜色 |
| interior | String | 车内颜色 |
| mmr | Float | Manheim Market Report 定价 |