Используя feature engineering, linear models, tree based models, bagging, boosting необходимо обучить модель/ансамбль моделей, который лучше всего решал бы задачу Kaggle соревнования - регрессию (минимизирует RMSE).
Ссылка на соревнование.
https://www.kaggle.com/competitions/house-prices-advanced-regression-techniques
Описание о данных во вкладке Data. О метрике соревнования можно прочитать в Overview.
Полезную информацию о моделях, валидации, подходах можно получить во вкладках Code и Discussion.
Также прикрепляю файл `titanic_feature_engineering.ipynb`, рекомендую ознакомиться с ним, чтобы получить больше идей относительно процесса feature engineering.
Для того чтобы прислать результат, нужно будет создать ноутбук на Kaggle, сделать его публичным, обучить модель/модели, сабмитнуть прогноз для тестовых данных из ноутбука и отправить ссылку на ноутбук для ревью.
Пример сохранения сабмита на тесте:
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)
После этого, созданный `submission.csv` файл необходимо засабмитить во вкладке с соревнованием Kaggle
