在train.csv进行年龄预测回归任务，基于客户的职业、教育、信贷等特征(C列到Q列)预测客户年龄(B列)。
✨ 1. 使用 SHAP (SHapley Additive exPlanations) 方法分析各特征对年龄预测的贡献度
✨ 2. 基于SHAP分析结果实施特征工程，优化模型性能
✨ 3. 独立实现机器学习模型的核心算法逻辑，不得调用任何外部机器学习库
❌ 禁止使用的库
- sklearn / scikit-learn
- tensorflow
- torch / pytorch
- keras
- xgboost
- lightgbm
- catboost
- statsmodels
|
age: Age of the client (numeric)
|
💡 更多信息：Bank Marketing Dataset
- MAE (Mean Absolute Error): 平均绝对误差
- MSE (Mean Squared Error): 均方误差
- RMSE (Root Mean Squared Error): 均方根误差
- Prediction_Time: 预测时间
⚡ 评测使用 10个并发线程 对测试集进行预测
位次排序逻辑：RMSE低 -> 推理时间短 -> 最近提交时间近
🏆 10分 - Metric得分（基于RMSE性能）
🏆 10分 - 位次得分（基于排名）
采用线性变换的方式计算分数：
| 🌟 等级 | 📍 标准 | 💯 得分 |
|---|---|---|
| 前10%学生 | leaderboard第10%分位的RMSE和位次 | 20分 (满分) |
| 中间学生 | 在10%分位线和baseline之间 | 4-20分 (线性插值) |
| Baseline | baseline的RMSE和位次 | 4分 (2分metric + 2分位次) |
| 未提交 | - | 0分 |
📦 project/
┣ 📄 train.csv # 训练数据
┣ 🔧 model.py # 模型实现
┣ 🚀 solution.py # 推理接口
┣ 📋 requirements.txt # 依赖库
┣ 🐧 evaluate-linux # Linux评测程序
┣ 🍎 evaluate-macos # macOS评测程序
┗ 🪟 evaluate-win.exe # Windows评测程序
💡 Baseline: 使用随机权重，你需要实现自己的训练逻辑来提升性能
import numpy as np
class Model:
def __init__(self):
"""初始化模型参数"""
self.weights = None
self.bias = None
def predict(self, X):
"""
Args:
X: numpy数组, shape (n_samples, n_features)
Returns:
numpy数组, shape (n_samples,)
"""
return np.dot(X, self.weights) + self.biasclass Solution:
def forward(self, sample: Dict[str, Any]) -> Dict[str, float]:
"""模型推理接口，接收单条样本数据并返回预测结果
Args:
sample: 单条样本数据字典，包含ID列及特征列（不含age列）
示例: {'id': 666336, 'job': 'blue-collar', 'marital': 'married',
'education': 'secondary', 'default': 'no', 'balance': 3595,
'housing': 'no', 'loan': 'yes', 'contact': 'unknown',
'day': 3, 'month': 'jul', 'duration': 198, 'campaign': 2,
'pdays': -1, 'previous': 0, 'poutcome': 'unknown'}
Returns:
包含预测结果的字典，格式为: {'prediction': 预测概率值}
"""
# 1. 特征处理：根据模型要求对样本特征进行转换（如编码、归一化等）
# 示例：可将字典转换为DataFrame便于处理
# feature_df = pd.DataFrame([sample])
# 2. 模型加载与推理：使用加载的模型对处理后的特征进行预测
# 示例：model = Model() # 假设Model类有加载和预测方法
# prediction = model.predict(feature_df)
# 3. 结果处理：确保返回值为float类型
prediction = 0.0 # 此处替换为实际预测逻辑
return {'prediction': float(prediction)}
📦 依赖安装:
pip install -r requirements.txt📖 点击查看详细步骤
- 🔗 进入GitHub仓库
- 🏷️ 点击 release 标签
- ⬇️ 下载对应系统的文件：
- 🐧 Linux: evaluate-linux
- 🍎 macOS: evaluate-macos
- 🪟 Windows: evaluate-win.exe
⚠️ 重要：将下载的评测程序放在项目根目录（与solution.py、model.py同级）
🐧 Linux/macOS:
export STUDENT_ID='你的学号'
export STUDENT_NAME='你的姓名'
export STUDENT_NICKNAME='你的昵称'💾 持久化：添加到~/.bashrc或~/.zshrc
🪟 Windows:
set STUDENT_ID=你的学号
set STUDENT_NAME=你的姓名
set STUDENT_NICKNAME=你的昵称💾 持久化：系统设置 → 环境变量
🐧 Linux(ubuntu 24.02)
chmod +x evaluate-linux
./evaluate-linux🍎 macOS
chmod +x evaluate-macos
./evaluate-macos
⚠️ macOS 首次运行提示：若系统提示 “无法打开，因为它来自身份不明的开发者”，请按以下步骤操作： 点击弹窗中的 “取消”； 打开系统设置（System Settings） → 进入隐私与安全性（Privacy & Security）； 在页面下方 “安全” 区域找到 “evaluate-macos 已被阻止打开” 的提示，点击右侧 “仍要打开”； 在确认窗口中再次点击 “打开”，即可正常运行。
🪟 Windows
evaluate-win.exe📊 实时排名显示
📈 详细指标展示 (MAE/MSE/RMSE/时间)
🔄 未提交同学显示
⏰ 支持多次提交,以截止日期前的最佳成绩为准
📅 记得在11月2日前提交你的最佳成绩！
Made with ❤️ for Machine Learning Education