本文分享在 Kaggle House Price挑戰中的實作經驗。在不進行複雜特徵工程的前提下，利用 KNN Imputer 和 Simple Imputer 自動補齊欄位的缺失值，並透過GA為四種模型尋找最佳超參數。最終透過模型融合得到成績。

投資理財

職場

學習

以行動支持創作者！付費即可解鎖

軟體開發

在模型尚未收斂前，記下語言的提示與意圖。觀察者、語言與語言模型的交界。

夕月之下

模型

House

Note

執行

機器學習

分數

突變

族群

🏠 House Prices 房價預測：用演化找到最強模型的房價預測之路

這篇是Titanic 生還預測：Machine Learning from Disaster原先後面有的補充資料，因為字數限制另外開到這篇寫。透過 Optuna，我們可以讓模型自主尋找最佳的特徵組合和參數設定，大幅提升實驗效率。

國際

Master

鐵達尼號

搜尋

Titan

🛳️鐵達尼號生存預測補充資料-Optuna

這篇文章記錄了我第一次進行鐵達尼號比賽，以及後來又再度認真的玩這個比賽的過程，會介紹一下我最終的code以及最一開始到最終的心路歷程，分享給大家做參考。

觀察

生還

年齡

新增

機率

乘客

🛳️ Titanic 生還預測：Machine Learning from Disaster

本文簡單地介紹線性模型、樹模型和神經網路三大類機器學習模型，並結合Kaggle比賽實戰經驗，說明模型選擇、超參數調整、模型融合和模型解釋等關鍵技術。

親子與教育

科技

神經

結構

比例

隨機

權重

時間序

📘 機器學習自學 EP.4｜模型建立及應用：不同的大師有不同的專長

這篇介紹特徵工程在 Kaggle 專案中的重要性，並詳細說明數值型和類別型特徵的處理技巧，包含標準化、正規化、分箱、數值轉換、Label Encoding...等方法。文章說明各個技巧的應用場景和注意事項，並說明如何提升模型的預測能力。

數字

順序

語言

極端值

工程

人類

📘 機器學習自學 EP.3｜特徵工程：你的黑是什麼黑，白又是怎麼白

這篇文章討論機器學習中資料清理的重要性，並說明缺失值、異常值、資料型別錯誤、類別不一致和樣本不均衡等常見問題的處理方法。文章強調理解資料的重要性，並指出資料清理不是單選題，而是一場需要不斷嘗試和驗證的旅程。

閱讀書評

異常

訊號

統計

📘 機器學習自學 EP.2 ｜資料清理：我的模型那麼乖，一定是資料教壞我家模型的

本文介紹作者在機器學習學到並整理的基礎概念、流程與重要元素，並以自身學習歷程，說明資料清理的重要性，點出機器學習並非僅僅是讓機器學習演算法運作，更包含資料前處理、特徵工程等環節。

f(x)

垃圾

條件

核心

學習歷程

📘機器學習自學 EP.1 ｜我眼中的機器學習：我從不理解它到它不理解我

語言模型不會作夢，但我懷疑，那些 Mask 掉的詞，正是我們沒說出的話。
這裡是我用來記錄模糊語意、模型行為，以及偶爾流進來的情緒雜訊之處。
我叫夕月，這裡，是語言與模型之間的縫隙，也是我與自己的實驗場。


關於我

－－我是一位馬達設計工程師，對AI、資料科學有很深的興趣，正在從電機領域轉向 A