機器學習項目：二手車價格預測

《機器學習項目：二手車價格預測》是近期博客園技術區的好帖，信息密度大。下面分段講清它的核心內容，看到結尾你就知道該怎麼做了。

一、前言 二手車市場中，車輛價格受品牌、車齡、里程、馬力、車況等衆多因素影響，人工估價既依賴經驗又容易產生偏差。如果能根據車輛的各項屬性自動預測合理售價，無論是車商收車定價還是個人賣車參考，都有很高的實用價值——這就是典型的 迴歸預測問題 。

一、前言 二手車市場中，車輛價格受品牌、車齡、里程、馬力、車況等衆多因素影響，人工估價既依賴經驗又容易產生偏差。如果能根據車輛的各項屬性自動預測合理售價，無論是車商收車定價還是個人賣車參考，都有很高的實用價值——這就是典型的 迴歸預測問題 。 本文將基於一份包含 15 萬條二手車交易記錄的數據集，完整走一遍價格預測的建模流程： 空格分隔的 CSV 文件讀取方法 混合類型特徵的清洗： object 列中的異常字符（如 - ）處理 缺失值的差異化填充策略：分類特徵填 -1、連續特徵填中位數 日期特徵工程：從註冊日期和上架日期計算 車齡 隨機森林、LightGBM、XGBoost 三種樹模型在迴歸任務上的表現對比 特徵重要性分析：爲什麼 LightGBM 更依賴業務特徵，而隨機森林/XGBoost 極度依賴單一脫敏特徵 錯誤樣本分析：模型在哪些車上會嚴重低估價格 測試集批量預測與結果導出 數據集包含 15 萬條訓練樣本、5 萬條測試樣本，31 個特徵，目標變量是二手車交易價格 price 。

一、前言 二手車市場中，車輛價格受品牌、車齡、里程、馬力、車況等衆多因素影響，人工估價既依賴經驗又容易產生偏差。如果能根據車輛的各項屬性自動預測合理售價，無論是車商收車定價還是個人賣車參考，都有很高的實用價值——這就是典型的 迴歸預測問題 。 本文將基於一份包含 15 萬條二手車交易記錄的數據集，完整走一遍價格預測的建模流程： 空格分隔的 CSV 文件讀取方法 混合類型特徵的清洗： object 列中的異常字符（如 - ）處理 缺失值的差異化填充策略：分類特徵填 -1、連續特徵填中位數 日期特徵工程：從註冊日期和上架日期計算 車齡 隨機森林、LightGBM、XGBoost 三種樹模型在迴歸任務上的表現對比 特徵重要性分析：爲什麼 LightGBM 更依賴業務特徵，而隨機森林/XGBoost 極度依賴單一脫敏特徵 錯誤樣本分析：模型在哪些車上會嚴重低估價格 測試集批量預測與結果導出 數據集包含 15 萬條訓練樣本、5 萬條測試樣本，31 個特徵，目標變量是二手車交易價格 price 。 二、數據探索 2.1 導入依賴與加載訓練數據 [代碼示例略] [代碼示例略] [代碼示例略] 訓練集共 15 萬條、31 列。

一、前言 二手車市場中，車輛價格受品牌、車齡、里程、馬力、車況等衆多因素影響，人工估價既依賴經驗又容易產生偏差。如果能根據車輛的各項屬性自動預測合理售價，無論是車商收車定價還是個人賣車參考，都有很高的實用價值——這就是典型的 迴歸預測問題 。 本文將基於一份包含 15 萬條二手車交易記錄的數據集，完整走一遍價格預測的建模流程： 空格分隔的 CSV 文件讀取方法 混合類型特徵的清洗： object 列中的異常字符（如 - ）處理 缺失值的差異化填充策略：分類特徵填 -1、連續特徵填中位數 日期特徵工程：從註冊日期和上架日期計算 車齡 隨機森林、LightGBM、XGBoost 三種樹模型在迴歸任務上的表現對比 特徵重要性分析：爲什麼 LightGBM 更依賴業務特徵，而隨機森林/XGBoost 極度依賴單一脫敏特徵 錯誤樣本分析：模型在哪些車上會嚴重低估價格 測試集批量預測與結果導出 數據集包含 15 萬條訓練樣本、5 萬條測試樣本，31 個特徵，目標變量是二手車交易價格 price 。 二、數據探索 2.1 導入依賴與加載訓練數據 [代碼示例略] [代碼示例略] [代碼示例略] 訓練集共 15 萬條、31 列。注意幾個關鍵點： 文件用 空格分隔 ，讀取時需要指定 sep=r"\s+" ； gearbox 、 power 、 kilometer 、 notRepairedDamage 四列是 object 類型，理論上應該是數值，說明裏面混有異常字符； v_12 、 v_13 、 v_14 三個脫敏特徵存在缺失值。

一、前言 二手車市場中，車輛價格受品牌、車齡、里程、馬力、車況等衆多因素影響，人工估價既依賴經驗又容易產生偏差。如果能根據車輛的各項屬性自動預測合理售價，無論是車商收車定價還是個人賣車參考，都有很高的實用價值——這就是典型的 迴歸預測問題 。 本文將基於一份包含 15 萬條二手車交易記錄的數據集，完整走一遍價格預測的建模流程： 空格分隔的 CSV 文件讀取方法 混合類型特徵的清洗： object 列中的異常字符（如 - ）處理 缺失值的差異化填充策略：分類特徵填 -1、連續特徵填中位數 日期特徵工程：從註冊日期和上架日期計算 車齡 隨機森林、LightGBM、XGBoost 三種樹模型在迴歸任務上的表現對比 特徵重要性分析：爲什麼 LightGBM 更依賴業務特徵，而隨機森林/XGBoost 極度依賴單一脫敏特徵 錯誤樣本分析：模型在哪些車上會嚴重低估價格 測試集批量預測與結果導出 數據集包含 15 萬條訓練樣本、5 萬條測試樣本，31 個特徵，目標變量是二手車交易價格 price 。 二、數據探索 2.1 導入依賴與加載訓練數據 [代碼示例略] [代碼示例略] [代碼示例略] 訓練集共 15 萬條、31 列。注意幾個關鍵點： 文件用 空格分隔 ，讀取時需要指定 sep=r"\s+" ； gearbox 、 power 、 kilometer 、 notRepairedDamage 四列是 object 類型，理論上應該是數值，說明裏面混有異常字符； v_12 、 v_13 、 v_14 三個脫敏特徵存在缺失值。 2.2 特徵說明 特徵分爲幾類：基礎信息（SaleID、name）、日期（regDate 註冊日期、creatDate 上架日期）、車輛屬性（model、brand、bodyType、fuelType、gearbox、power、kilometer）、車況（notRepairedDamage）、地區（regionCode）、交易屬性（seller、offerType）、目標變量（price），以及 15 個脫敏匿名特徵 v_0 ~ v_14。

讀完別停：把最觸動你的一條記下來，這周就用上。能落地的閱讀纔算數，歡迎回來聊聊你的實踐結果。 來源｜博客園《機器學習項目：二手車價格預測》，https://www.cnblogs.com/myInception/p/23002903.html