26年泰迪杯数据挖掘赛C题新手入门指南：从数据预处理到模型构建全流程解析

1次阅读

共计 1331 个字符，预计需要花费 4 分钟才能阅读完成。

2026 年泰迪杯数据挖掘赛 C 题聚焦于某电商平台的用户行为预测。给定数据集包含用户浏览记录、购买历史、商品属性等多维度信息，要求参赛者构建模型预测特定场景下的用户转化率。数据特点包括：

高维稀疏特征（如用户 ID、商品类目）
时间序列行为数据（需处理时间戳字段）
存在约 15% 的缺失值（集中在用户画像字段）
类别不平衡问题（正负样本比例约 1:9）

# 数值型字段用中位数填充
import pandas as pd
df['age'].fillna(df['age'].median(), inplace=True)

# 类别型字段用众数填充
df['city'] = df['city'].fillna(df['city'].mode()[0])

# 使用 IQR 方法检测数值异常
Q1 = df['purchase_amount'].quantile(0.25)
Q3 = df['purchase_amount'].quantile(0.75)
IQR = Q3 - Q1
df = df[~((df['purchase_amount'] < (Q1 - 1.5*IQR)) | 
          (df['purchase_amount'] > (Q3 + 1.5*IQR)))]

# 计算用户最近一次活跃距今的天数
df['last_active_days'] = (pd.to_datetime('2026-03-01') - 
                         pd.to_datetime(df['last_active_time'])).dt.days

df['price_category'] = pd.cut(df['item_price'], 
                             bins=[0,50,200,500,float('inf')],
                             labels=['low','medium','high','luxury'])

逻辑回归：训练速度快，适合基线模型和特征重要性分析
随机森林：自动处理非线性关系，抗过拟合能力强
XGBoost：比赛常用方案，支持自定义损失函数和早停机制

from sklearn.model_selection import GridSearchCV

params = {'max_depth': [3,5,7],
    'learning_rate': [0.01, 0.1, 0.3],
    'n_estimators': [100,200,300]
}

gs = GridSearchCV(estimator=xgb.XGBClassifier(),
                 param_grid=params,
                 cv=5,
                 scoring='roc_auc')
gs.fit(X_train, y_train)