Використовуючи feature engineering, linear models, tree based models, bagging, boosting потрібно натренувати модель/ансамбль моделей який би найкраще розв'язував задачу Kaggle змагання - регресію (мінімізує RMSE).
Посилання на змагання.
https://www.kaggle.com/competitions/house-prices-advanced-regression-techniques
Опис про дані у вкладці Data. Про метрику змагання можна прочитати в Overview.
Корисну інформацію про моделі, валідацію, підходи можна отримати у вкладках Code та Discussion.
Також прикріплюю файл `titanic_feature_engineering.ipynb`, рекомендую ознайомитися з ним, щоб отримати більше інсайтів стосовно процесу feature engineering.
Для того щоб прислати результат потрібно буде створити ноутбук на Kaggle, зробити його публічним, натренувати модель/моделі, сабмітнути прогноз для тестових даних з ноутбука і надіслати посилання на ноутбук для рев'ю.
Приклад збереження сабміту на тесті:
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)
Після цього, створений `submission.csv` файл необхідно засабмітити у вкладці зі змаганням Kaggle
