菜鸟的数据挖掘实战（一）赛题理解“捏泥人”

• 学习框架：零基础入门数据挖掘-菜鸟的学习路径
• 这是一个菜鸟的数据挖掘实战记录，目的是快速入门数据挖掘，少走弯路。内容上，由于自己的确是菜得不行，所以在跟随入门级比赛：二手车价格预测进行实战中，会重点叙述学习方法和思路，并补充其他学习资料。
• 内容预计分为六篇正文，本篇是第一篇正文，介绍赛题与具体学习方法。

1. 学习重点

• 了解一个数据挖掘项目的基本流程
• 赛题理解的目的与方法
• 各评价指标的适用范围

2.赛题理解

2.1赛题概况

要求通过给定的二手车数据集，预测二手车交易价格。
数据集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。

2.2数据概况

了解数据的性质有利于对数据的理解和后续分析。这一步看数据有哪些、表示什么意思，由于包括类型数据在内的所有数据都脱敏成了数字形式（即label encoding），还需要了解数字含义。
Tip:匿名特征，就是未告知数据列所属的性质的特征列。

数据预览

比赛一般提供两个数据集：

• used_car_train.csv： 这是训练集部分，包含变量信息与价格。
• used_car_test.csv: 这是测试集部分，与训练集类似，但没有价格信息（需要建模预测），一般样本数较少。

我们看一下训练集（train）的数据：

Field	Description
SaleID