{ "fetched_at": "2026-10-24T17:52:32Z", "source_url": "https://www.kaggle.com/competitions/gekkon-housing/data", "pages": [ { "name": "rules", "content": "- Используйте только свои линейные модели\n- Подумайте над признаками, пробуйте всякое\n- Не переобучитесь!", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "data-description", "content": "## Описание файлов\n\n- **x_train.csv** – датасет для обучения\n- **y_train.csv** – ответы датасета для обучения\n- **x_test.csv** – тестовый датасет\n- **dummy_linear_regression.csv** – пример правильного файла-ответа\n\n## Чтение данных\nЧтобы убрать лишний столбец в начале, нужно указать параметр index_col=0:\n`pd.read_csv('dummy_linear_regression.csv', index_col=0)`\n\n## Признаки\n\n- **string date** – дата продажи дома\n- **float32 bedrooms** – количество спален\n- **float32 bathrooms** – количество ванных комнат\n- **int32 sqft_living** – жилая площадь (в футах)\n- **int32 sqft_lot** – площадь парковки\n- **float32 floors** – количесто этажей в доме\n- **bool waterfront** – есть ли вид на набережную\n- **int32 condition** – оценка состояния дома\n- **int32 grade** – общая оценка жилого помещения\n- **int32 sqft_above** – площадь без подвала\n- **int32 sqft_basement** – площадь с подвалом\n- **int32 yr_built** – год постройки\n- **int32 yt_renovated** – год реновации (капитальный ремонт)\n- **int32 zipcode** - почтовый индекс\n- **float32 lat** – широта\n- **float32 long** – долгота", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "Оценивание", "content": "## Оценивание\n\nОсновная метрика - RMSE. 25% тестовых данных используется для публичного лидерборда, остальные 75% - для скрытого, его результаты появятся после окончания соревнования.", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "О", "content": "

The evaluation pages describes how submissions will be scored and how students should format their submissions. You don't need a sub-title at the top (the page title appears above). For an example of a high quality evaluation page, see the 2013 KDD Cup page, which we have copied here:

\r\n
\r\n

The evaluation metric for this competition is Mean F1-Score. The F1 score, commonly used in information retrieval, measures accuracy using the statistics precision p and recall r. Precision is the ratio of true positives (tp) to all predicted positives (tp + fp). Recall is the ratio of true positives to all actual positives (tp + fn). The F1 score is given by:

\r\n

\\[ F1 = 2\\frac{p \\cdot r}{p+r}\\ \\ \\mathrm{where}\\ \\ p = \\frac{tp}{tp+fp},\\ \\ r = \\frac{tp}{tp+fn} \\]

\r\n

The F1 metric weights recall and precision equally, and a good retrieval algorithm will maximize both precision and recall simultaneously. Thus, moderately good performance on both will be favored over extremely good performance on one and poor performance on the other.

\r\n

Submission Format

\r\n

For every author in the dataset, submission files should contain two columns: AuthorId and DuplicateAuthorIds. DuplicateAuthorIds should be a space-delimited list. Every AuthorId counts as his/her own duplicate, and every duplicate should be listed under each of its respective ids. For example, if you suspect author A, B, and C are the same, you should list (A,A B C), (B,B A C), (C,C A B).

\r\n

The file should contain a header and have the following format:

\r\n
AuthorId,DuplicateAuthorIds
1,1
8,8
9,9 10
10,10 9
etc.
", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "Description", "content": "Вам предстоит предсказать стоимость продажи домов по их описаниям. Использовать можно только собственные реализации линейных моделей. \n\nРаботать с сырыми признаками как есть - плохая идея. Попробуйте предобработать данные - что-то сделать с пропусками и выбросами, придумать новые признаки на основе старых. Применение можно найти даже признакам, которые не понятно как использовать в регрессии.\n\nУдачи! ", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false } ] }