前回まで [前回の投稿][1]ではKaggleのHousePricesコンペに参加して とりあえず最低限の労力でモデルを作り、4700人中4000位というnoobらしいスコアを叩きだしました 実際にKaggleに挑戦して改めてよく分かったのが前処理などの難しさ・大変さです 前回はすでに数値のデータだけを用いて回帰を行いましたが 今回はオブジェクトデータの値型データへの変換と欠損値の補完を行い とりあえず与えられたデータを全て使ってモデルを作り、スコアを確認してみます。 次回以降は、さらに外れ値の除去や特徴量エンジニアリングを行っていこうと思います。 データの準備 # This Python 3 environment comes with many helpful analytics libraries installed # It is defined by the kaggle/pyt
![半歩ずつ進める機械学習 ~Kaggleに挑戦 HousePrices③~ - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/de57fc991dec6a8713dc35a54d80ff3ff3fce861/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JUU1JThEJThBJUU2JUFEJUE5JUUzJTgxJTlBJUUzJTgxJUE0JUU5JTgwJUIyJUUzJTgyJTgxJUUzJTgyJThCJUU2JUE5JTlGJUU2JUEyJUIwJUU1JUFEJUE2JUU3JUJGJTkyJUUzJTgwJTgwfkthZ2dsZSVFMyU4MSVBQiVFNiU4QyU5MSVFNiU4OCVBNiVFMyU4MCU4MEhvdXNlUHJpY2VzJUUyJTkxJUEyfiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTU2JnM9MmEzMmY2NDAyOWIyNWUzODRhOTkzZTg4YzM4NDMxZWM%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBNdWtvbWl6JnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz04MDg2ZGRiMDRlMmM4YWMwMzNkN2NmODhlZjQ0ZTY4Zg%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3Dae36caf14832ee0676722cb5034a81f4)