0代码写二手车价格预测，下面不涉及写代码，遇到不懂的地方直接问AI，让AI解释就可以！

AI写代码主要给AI下达指令，让AI自动生成代码，运行代码，出错再让AI修复，直到目标达成。AI能快速把想法转化为代码实现。下面分享如何将MAE优化到499。

MAE越小说明，整体预测价格与真实价格偏差小，模型训练得越好。

进入阿里云搜索天池二车手价格预测

话不多说，开始AI编程

提示语

train.cvs是训练集、test.cvs是测试集，请生成二手车预测程序，要求使用CatBoost训练模型，预测结果写入cvs，并输出训练集MAE、验证集MAE

就这么给AI说句话，AI基本上就把一个二手车价格的预测程序写出来了！如果AI没有尝试读取cvs的列名，可以让AI写代码打印cvs列名并翻译字段的含义。天池有cvs的数据字典，也可以直接贴给AI。

不做任何优化的话，验证集的MAE可能会很大，所以不能直接甩锅给AI。

二手车价格预测主要两个活，第一个是特征工程，第二步，模型参数优化。

特征工程做好了，MAE基本上能拿比较好的分。

提示语

对tain.cvs做EDA，将结果写入.md

提示语

对train.cvs做统计分析并给出特征工程建议写入 md，描述每一列的数据特征，是否有缺失值，给出缺失值的处理建议，是否有异常值，给出处理建议

提示语

依据分析结果落实建议

极端值处理

用这个代码替换了AI的

统计特征

给我感觉，如果不明确要求做统计特征操作，AI只做了异常值处理、空值填充等常规性操作！缺少统计特征。

提示语

tain.cvs划分成了训练集、验证集，test.cvs测试集。用训练集，统计不同品牌的价格特征形成衍生列，再合并到验证集、测试集。注意，不能直接使用验证集、测试集做统计，避免价格数据泄露

统计特征不做的话，MAE大概在560上下，做了统计特征，MAE能到517分上下。

统计特征包括均价、最小价格、最大价格、方差、标准差，可以是多种特征组合，比如：

不同品牌的价格统计特征，是不是很有实际意义，有的品牌溢价高，有的低。

不同品牌不同车龄的价格统计特征，体现出不同品牌的保值情况。

不同品牌不同车型的价格统计特征，也好理解吧

这里很容易出错的是，这种统计特征必须是在训练集统计，应用到验证集、测试集。如果直接用验证集的进行统计，会导致价格数据泄露，相当于让模型提前捕获到了验证集的价格信息。在数据上最大的体现就是MAE趋近于0，数值特别小，比如目前竞赛排行榜最好的成绩是300多分，因为这个误操作，本地可能跑出来MAE才8，提交到竞赛评估结果可能是2000，存在巨大的偏差。

特征工程做完，就是让AI寻找模型的超级参数，这个过程时间比较久，我这个代码执行了近20个小时吧，记不太清，总之非常费时间。这个过程让AI写代码输出进度信息，不然命令行一直不懂，也不知道进度情况。

模型对比，AI可以快速生成不同模型训练的比对效果。CatBoost、XGBoost、神卡网络，单模型、多模型融合，等等。我选择的是CatBoost。

最终突破了500这关，抵达499分！

简单总结我的感受

MAE得分重点是特征工程，训练模型的超参数可以让AI生成超参数探索代码，花20个小时，就能拿到最优的参数。

特征工程程度与MAE得分

做了异常值处理、极端值处理、特征交互、log1处理 ，MAE能拿567分上下

做了统计特征，从训练集统计，合并到验证集、测试集，MAE能拿到516分上下

CatBoost超参数探索后，本地最优MAE 506分，竞赛评估结果499分

跑一次超参数20个小时，这是一个非常费时间的过程，跑一次就把参数记录下来，后面避免重复这个漫长的过程。

499再要向下突破，就得再想法子了。我的想法是，模型参数没有优化空间，就只能在特征工程上下功夫了。

499不是终点，后续再分享。

AI写代码工具 CodeBuddy

腾讯每月5000分钟免费大模型使用时长