《动手学深度学习》学习笔记------3.16. 实战Kaggle比赛：房价预测

预处理

有的特征是 连续数值，例如：MSSubClass；有的特征是离散数值，例如：SaleType。
对上述两类特征分别使用如下方法进行预处理：
（1）连续数值特征的预处理
标准化（standardization）：将该特征的每个值先减去均值μ，再除以σ标准差。对于缺失的特征值，替换成该特征的均值。
（2）离散数值特征的预处理
将离散数值转成指示特征。
假设特征MSZoning里面有几个不同的离散值FV、RH、RL、RM等，那么这一步转换将去掉MSZoning特征，并新加几个特征MSZoning_FV、MSZoning_RH、MSZoning_RL和MSZoning_RM等，其值为0或1。
如果一个样本原来在MSZoning里的值为RL，那么转换之后MSZoning_RL=1且MSZoning_RM=0。
对于ID = 112的样本，MSZoning属性的取值为 RL，转换之后，MSZoning_RL = 1，并且其他相关属性取值 为0。
对于ID = 115的样本，MSZoning属性的取值为 FV，转换之后，MSZoning_FV = 1，并且其他相关属性取值 为0。

对数均方根误差

另一种常用的评价指标是 均方根误差

两者之间的关系：
对数均方根误差 相当于 先把数据求log，然后再求 均方根误差。

假设我们设计了两种算法，它们的预测结果如下：

如何评价 算法1和算法2哪个更好？

可以看到，与 均方根误差相比，采用对数均方根误差
（1）当y较大时，可以容忍更大的误差。
（2）当y较小时，期望得到更精确的预测。