赛题：零基础入门数据挖掘 – 二手车交易价格预测 地址：https://tianchi.aliyun.com/competition/entrance/231784/introduction?spm=5176.12281957.1004.1.38b02448ausjSX 建模与调参 常用方法 pandas 减少内存用量 df.memory_usage() 将数值型列类型细分，str列转换为category类型 截距 intercept 权重 coef 排序 sorted() 指定排序的列 key

内容介绍 线性回归模型： 线性回归对于特征的要求； 处理长尾分布； 理解线性回归模型； 模型性能验证： 评价函数与目标函数； 交叉验证方法； 留一验证方法； 针对时间序列问题的验证； 绘制学习率曲线； 绘制验证曲线； 嵌入式特征选择： Lasso回归； Ridge回归； 决策树； 模型对比： 常用线性模型； 常用非线性模型； 模型调参： 贪心调参方法； 网格调参方法； 贝叶斯调参方法； 相关原理介绍与推荐 线性回归模型：https://zhuanlan.zhihu.com/p/49480391

数据挖掘的学习和细节思考 (自己学习记录使用) 本次学习是在二手车价格数据的分析的基础上，根据他人的文章进行研究学习。通过细分步骤和深究每一步的意义，对于数据挖掘有一个更好的认识。 参考链接为：Datawhale 零基础入门数据挖掘-Task4 建模调参 0、模型学习 线性回归模型 决策树模型 GBDT模型 XGBoost模型 LightGBM模型 1、数据读取 1.1调整数据类型，减少数据在内存所占空间 import pandas as pd import numpy as np import

阿里云天池数据挖掘心跳分类 数据挖掘-心跳信号分类 Task1赛题理解及baseline学习2天 完成基础上的方案，并成功运行提交结果。 Task2探索性数据分析（EDA）（3天） EDA的价值主要在于熟悉数据集，了解数据集，对数据集进行验证来确定所获得的数据集可以用于接下来的机器学习或深度学习使用。引导数据科学从业者进行数据处理以及特征工程的步骤，使数据集的结构和特征集让接下来的预测问题更加可靠。的探索性分析，并对于数据进行一些图表或文字总结并打卡。 Task3特征工程3天 对于特征工程的分