1）基於baseline，模型用xgboost，得分709。
特徵包括：'gearbox', 'power', 'kilometer', 'v_0', 'v_1', 'v_2', 'v_3', 'v_4', 'v_5', 'v_6', 'v_7', 'v_8', 'v_9', 'v_10', 'v_11', 'v_12', 'v_13', 'v_14'。
baseline的jupyter鏈接：https://tianchi.aliyun.com/notebook-ai/detail?postId=95422
2）按照阿澤老師發佈的jupyter，做特徵工程，模型用xgboost，得分是626。
特徵包括：'bodyType', 'brand', 'fuelType', 'gearbox', 'kilometer', 'model',
'offerType', 'power', 'seller', 'v_0', 'v_1', 'v_10', 'v_11', 'v_12', 'v_13',
'v_14', 'v_2', 'v_3', 'v_4', 'v_5', 'v_6', 'v_7', 'v_8', 'v_9', 'used_time', 'city',
'brand_amount', 'brand_price_max', 'brand_price_median', 'brand_price_min', 'brand_price_sum',
'brand_price_std', 'brand_price_average', 'power_bin'
特徵工程jupyter鏈接：https://tianchi.aliyun.com/notebook-ai/detail?spm=5176.12586969.1002.9.2c5266c2HRdfiO&postId=95501
3）在2）的基礎上，將預測結果爲負數的，設置爲10，得分是626，變化不大。可能是因爲這部分樣本比較少。
4）接下來是要改進的思路，想從一下幾個方面提升模型準確性
思路一：xgboost訓練的時候，用的目標函數是R2，而比賽用的目標函數的MAE，xgboost允許自定義目標函數，但是要求目標函數二階可導，MAE不滿足二階可導的條件。所以換支持MAE作爲目標函數的模型，或者自定義接近MAE的二階可導目標函數。
思路二：類別特徵做one-hot編碼。
思路三：對價格做log處理之後進行預測，預測結果再做指數變換。