机器学习项目：二手车价格预测

《机器学习项目：二手车价格预测》是近期博客园技术区的好帖，信息密度大。下面分段讲清它的核心内容，看到结尾你就知道该怎么做了。

一、前言 二手车市场中，车辆价格受品牌、车龄、里程、马力、车况等众多因素影响，人工估价既依赖经验又容易产生偏差。如果能根据车辆的各项属性自动预测合理售价，无论是车商收车定价还是个人卖车参考，都有很高的实用价值——这就是典型的 回归预测问题 。

一、前言 二手车市场中，车辆价格受品牌、车龄、里程、马力、车况等众多因素影响，人工估价既依赖经验又容易产生偏差。如果能根据车辆的各项属性自动预测合理售价，无论是车商收车定价还是个人卖车参考，都有很高的实用价值——这就是典型的 回归预测问题 。 本文将基于一份包含 15 万条二手车交易记录的数据集，完整走一遍价格预测的建模流程： 空格分隔的 CSV 文件读取方法 混合类型特征的清洗： object 列中的异常字符（如 - ）处理 缺失值的差异化填充策略：分类特征填 -1、连续特征填中位数 日期特征工程：从注册日期和上架日期计算 车龄 随机森林、LightGBM、XGBoost 三种树模型在回归任务上的表现对比 特征重要性分析：为什么 LightGBM 更依赖业务特征，而随机森林/XGBoost 极度依赖单一脱敏特征 错误样本分析：模型在哪些车上会严重低估价格 测试集批量预测与结果导出 数据集包含 15 万条训练样本、5 万条测试样本，31 个特征，目标变量是二手车交易价格 price 。

一、前言 二手车市场中，车辆价格受品牌、车龄、里程、马力、车况等众多因素影响，人工估价既依赖经验又容易产生偏差。如果能根据车辆的各项属性自动预测合理售价，无论是车商收车定价还是个人卖车参考，都有很高的实用价值——这就是典型的 回归预测问题 。 本文将基于一份包含 15 万条二手车交易记录的数据集，完整走一遍价格预测的建模流程： 空格分隔的 CSV 文件读取方法 混合类型特征的清洗： object 列中的异常字符（如 - ）处理 缺失值的差异化填充策略：分类特征填 -1、连续特征填中位数 日期特征工程：从注册日期和上架日期计算 车龄 随机森林、LightGBM、XGBoost 三种树模型在回归任务上的表现对比 特征重要性分析：为什么 LightGBM 更依赖业务特征，而随机森林/XGBoost 极度依赖单一脱敏特征 错误样本分析：模型在哪些车上会严重低估价格 测试集批量预测与结果导出 数据集包含 15 万条训练样本、5 万条测试样本，31 个特征，目标变量是二手车交易价格 price 。 二、数据探索 2.1 导入依赖与加载训练数据 [代码示例略] [代码示例略] [代码示例略] 训练集共 15 万条、31 列。

一、前言 二手车市场中，车辆价格受品牌、车龄、里程、马力、车况等众多因素影响，人工估价既依赖经验又容易产生偏差。如果能根据车辆的各项属性自动预测合理售价，无论是车商收车定价还是个人卖车参考，都有很高的实用价值——这就是典型的 回归预测问题 。 本文将基于一份包含 15 万条二手车交易记录的数据集，完整走一遍价格预测的建模流程： 空格分隔的 CSV 文件读取方法 混合类型特征的清洗： object 列中的异常字符（如 - ）处理 缺失值的差异化填充策略：分类特征填 -1、连续特征填中位数 日期特征工程：从注册日期和上架日期计算 车龄 随机森林、LightGBM、XGBoost 三种树模型在回归任务上的表现对比 特征重要性分析：为什么 LightGBM 更依赖业务特征，而随机森林/XGBoost 极度依赖单一脱敏特征 错误样本分析：模型在哪些车上会严重低估价格 测试集批量预测与结果导出 数据集包含 15 万条训练样本、5 万条测试样本，31 个特征，目标变量是二手车交易价格 price 。 二、数据探索 2.1 导入依赖与加载训练数据 [代码示例略] [代码示例略] [代码示例略] 训练集共 15 万条、31 列。注意几个关键点： 文件用 空格分隔 ，读取时需要指定 sep=r"\s+" ； gearbox 、 power 、 kilometer 、 notRepairedDamage 四列是 object 类型，理论上应该是数值，说明里面混有异常字符； v_12 、 v_13 、 v_14 三个脱敏特征存在缺失值。

一、前言 二手车市场中，车辆价格受品牌、车龄、里程、马力、车况等众多因素影响，人工估价既依赖经验又容易产生偏差。如果能根据车辆的各项属性自动预测合理售价，无论是车商收车定价还是个人卖车参考，都有很高的实用价值——这就是典型的 回归预测问题 。 本文将基于一份包含 15 万条二手车交易记录的数据集，完整走一遍价格预测的建模流程： 空格分隔的 CSV 文件读取方法 混合类型特征的清洗： object 列中的异常字符（如 - ）处理 缺失值的差异化填充策略：分类特征填 -1、连续特征填中位数 日期特征工程：从注册日期和上架日期计算 车龄 随机森林、LightGBM、XGBoost 三种树模型在回归任务上的表现对比 特征重要性分析：为什么 LightGBM 更依赖业务特征，而随机森林/XGBoost 极度依赖单一脱敏特征 错误样本分析：模型在哪些车上会严重低估价格 测试集批量预测与结果导出 数据集包含 15 万条训练样本、5 万条测试样本，31 个特征，目标变量是二手车交易价格 price 。 二、数据探索 2.1 导入依赖与加载训练数据 [代码示例略] [代码示例略] [代码示例略] 训练集共 15 万条、31 列。注意几个关键点： 文件用 空格分隔 ，读取时需要指定 sep=r"\s+" ； gearbox 、 power 、 kilometer 、 notRepairedDamage 四列是 object 类型，理论上应该是数值，说明里面混有异常字符； v_12 、 v_13 、 v_14 三个脱敏特征存在缺失值。 2.2 特征说明 特征分为几类：基础信息（SaleID、name）、日期（regDate 注册日期、creatDate 上架日期）、车辆属性（model、brand、bodyType、fuelType、gearbox、power、kilometer）、车况（notRepairedDamage）、地区（regionCode）、交易属性（seller、offerType）、目标变量（price），以及 15 个脱敏匿名特征 v_0 ~ v_14。

读完别停：把最触动你的一条记下来，这周就用上。能落地的阅读才算数，欢迎回来聊聊你的实践结果。 来源｜博客园《机器学习项目：二手车价格预测》，https://www.cnblogs.com/myInception/p/23002903.html