最有名的数据科学竞赛平台，双榜排名防止刷分。
全部成绩都实时可见的话，有人会盯着分数反复提交，调出一个只对这批测试数据好的模型。藏起一部分，这条路就走不通了。
实验三会反复重洗数据划分，看公开榜上的第一名到了私有榜还能排第几。
三个平台各有侧重，按想练的方向去选。
想了解企业里的真实数据，可以去天池。想做对社会有用的题，比如灾害响应、公共健康，可以去 DrivenData。想练强化学习、练把整套程序交给别人去跑，可以去 AIcrowd。
多数比赛只要交一个预测结果文件。有些比赛要交一个 Docker 镜像，由平台在它的机器上从头跑一遍。这要求整套流程在别人的电脑上也能跑通，第二节讲的容器化就用上了。
根据房子的各种属性预测售价，是一道回归题。
train.csv 有答案，用来训练。test.csv 没有答案，要你预测。sample_submission.csv 是提交的样子。data_description.txt 解释每一列，最该先读。
它记录的是美国艾奥瓦州埃姆斯市的房屋交易，训练集 1460 套房，每套有 79 个属性。
房价右边拖着长尾巴，取对数以后就匀称多了。
左图是原始房价，大多数房子挤在左边，右边拖着一条长尾巴，那是少数豪宅。右图是取对数以后的分布，左右基本对称，像一口钟。
房价取对数以后，原来最贵的那套房还是最贵的吗？
房价取对数，缺失值先分清是“没有”还是“漏记”。
| 房价（美元） | ln(1 ＋ 房价) | 比上一行多多少 |
|---|---|---|
| 100,000 | 11.51 | |
| 200,000 | 12.21 | 0.69 |
| 400,000 | 12.90 | 0.69 |
围栏这一列是空的，多半是这户人家没有围栏。填成一个新的类别“无”。
临街宽度这一列是空的，更像是没量到。用训练集的平均值补上，这一户照样参加训练。
房价不会是 0，但别的量常常是 0，而 0 没法取对数。先加 1 再取对数，0 就变成了 ln 1，也就是 0，公式对所有数都能用。模型预测出的对数值，最后还要换算回房价。
同样差 1 万，买 10 万的房子差 1 万让人心疼，买 100 万的房子差 1 万几乎感觉不到。取对数以后比的是差了几成。
实验三里泰坦尼克号乘客的年龄缺了一部分，会比较几种补法。几种补法的分数相差不大，比较时要让它们考同一批人。
交叉验证定配置，全量重训，再生成提交文件。
Id,SalePrice 1461,121500 1462,158300 1463,183900
交叉验证时，每次都有一折数据拿去验证，没参加训练。配置选好后用全部数据再训一遍，模型见过的房子更多，通常更准。
挑模型配置时，应该看哪里的成绩？