T*******x
发帖数: 8565 | 1 快要到截止日期了。
数据量不大，跟图像没关系。
分两轮比赛，现在是第一轮。目前有3000多个队参赛。
第一轮前100名才有资格进入下一轮比赛。
所以第二轮就清爽了。
我第一次玩kaggle。还没有门路。
zillow这个问题还是挺有意思的。 | T*******x
发帖数: 8565 | 2 我介绍一下zillow第一轮的问题吧：
zillow是一个房地产服务公司，它的核心服务就是给房屋估价。估价越准它的服务就越
可靠它的公司也就越火。估价准确度的检验方法就是看估价和最后成交价之差。
zillow有一个房屋估价的算法叫zestimate。这次比赛的目的就是最终要改进它的这个
算法。这是第二轮的事情。第一轮的目的可以说是模拟它的算法，或者说猜测它的算法
。猜的越准排名越高。第一轮也可以说是为第二轮做准备的：因为你对它的算法猜测越
准确，你也就更能把握它的算法的可能的弱点，从而改进它的算法。
第一轮怎么玩呢？zillow给出了9万套房屋的信息，和它的算法的估价的误差（ln (
zestimate/saleprice))。房屋信息主要包括assessor估价，builtyear，几房几卫，房
屋面积，空调，garage，等情况。
zillow另外给出了三百万套房屋的信息。但是没有给出它的估价的误差。而让你去估计
这三百万套房屋zillow估价的误差。
【在 T*******x 的大作中提到】
: 快要到截止日期了。
: 数据量不大，跟图像没关系。
: 分两轮比赛，现在是第一轮。目前有3000多个队参赛。
: 第一轮前100名才有资格进入下一轮比赛。
: 所以第二轮就清爽了。
: 我第一次玩kaggle。还没有门路。
: zillow这个问题还是挺有意思的。
| m******r
发帖数: 1033 | 3 你进前100啦？
买房子最重要的是学区，地理位置，周围邻居房子最近卖了多少钱，你列出的几个变量
， 最多浮动个几万块钱。 不是关键的因素。
如果我设计zestimate, 我就会和提供data vendor合作, 看谁能提供小区程度上各种参
数,比如median_income, median_house_value,学区等信息。
至于有无空调根本没关系。 mitsubishi在homedepot卖不了几个钱。 | T*******x
发帖数: 8565 | 4 我现在第两千多名。:)
【在 m******r 的大作中提到】
: 你进前100啦？
: 买房子最重要的是学区，地理位置，周围邻居房子最近卖了多少钱，你列出的几个变量
: ， 最多浮动个几万块钱。 不是关键的因素。
: 如果我设计zestimate, 我就会和提供data vendor合作, 看谁能提供小区程度上各种参
: 数,比如median_income, median_house_value,学区等信息。
: 至于有无空调根本没关系。 mitsubishi在homedepot卖不了几个钱。
| m******r
发帖数: 1033 | 5 那也很好啦。
反正这个题目我看过，觉得题目本身违反常理。 在实际生活中很容易得出的变量，同
一个街区房子售价多少， 不给参赛者，不太合理。
另外，我知道美国的data vendor能做到‘街区’级别的demogeographics data, 也就
是能估算出该小区人的年龄，收入，房屋价值，等等信息.
传统的zip_9 已经不算什么了。
【在 T*******x 的大作中提到】
: 我现在第两千多名。:)
|
|
