Wykorzystując feature engineering, modele liniowe, modele oparte na drzewach, bagging, boosting należy przetrenować model/zespół modeli, który najlepiej rozwiąże problem konkursu Kaggle - regresję (minimalizuje RMSE).
Link do konkursu.
https://www.kaggle.com/competitions/house-prices-advanced-regression-techniques
Opis danych znajduje się w zakładce Data. Informacje o metryce konkursu można znaleźć w zakładce Overview.
Przydatne informacje na temat modeli, walidacji, podejścia można znaleźć w zakładkach Code i Discussion.
Dołączam również plik `titanic_feature_engineering.ipynb`, zalecam zapoznanie się z nim, aby uzyskać więcej wglądu w proces feature engineering.
Aby przesłać wyniki, należy utworzyć notatnik na Kaggle, uczynić go publicznym, przetrenować model/e, przesłać prognozy dla danych testowych z notatnika i przesłać link do notatnika do recenzji.
Przykład zapisu submitu na teście:
sample_submission_df = pd.read_csv('.. /input/house-prices-advanced-regression-techniques/sample_submission.csv')
sample_submission_df['SalePrice'] = model.predict(test_df)
sample_submission_df.to_csv('/kaggle/working/submission.csv', index=False)
Po tym, utworzony plik `submission.csv` należy zasubmitować w zakładce konkursu Kaggle.
