二手车价格预测模型实战：XGBoost与特征工程详解

1. 二手车价格预测实战：从数据到模型的完整解析

二手车市场一直是个信息不对称的领域，买家担心被坑，卖家担心卖亏。作为一名数据科学从业者，我经常被朋友问到："这辆车值多少钱？"于是决定用数据说话，构建一个二手车价格预测模型。这个案例涵盖了回归问题的全流程，从数据准备、特征工程到模型训练和调参，特别适合想掌握完整机器学习流程的开发者。

2. 数据准备与理解

2.1 构建模拟数据集

真实二手车数据往往难以获取，我们先模拟一个包含3000条记录的数据集。这个数据集包含以下关键特征：

• 基础信息：品牌(Toyota/Honda/BMW等)、车型(Sedan/SUV等)、出厂年份(2010-2023)
• 使用状况：行驶里程(0-20万公里)、发动机排量(1.0-5.0L)
• 配置信息：燃油类型(汽油/柴油等)、变速箱类型(手动/自动)、颜色
• 目标变量：价格(5000-50000美元)

python复制import numpy as np
import pandas as pd

def prepare_car_data():
    np.random.seed(42)
    n = 3000
    
    data = {
        'brand': np.random.choice(['Toyota', 'Honda', 'BMW', 'Mercedes', 'Audi'], n),
        'model': np.random.choice(['Sedan', 'SUV', 'Coupe', 'Hatchback'], n),
        'year': np.random.randint(2010, 2024, n),
        'mileage': np.random.uniform(0, 200000, n),
        'engine_size': np.random.uniform(1.0, 5.0, n),
        'fuel_type': np.random.choice(['Petrol', 'Diesel', 'Hybrid', 'Electric'], n),
        'transmission': np.random.choice(['Manual', 'Automatic'], n),
        'color': np.random.choice(['Black', 'White', 'Silver', 'Red', 'Blue'], n)
    }
    
    # 价格生成逻辑
    price_base = 20000
    price = (
        price_base +
        -1000 * (2024 - data['year']) +  # 年份越新越贵
        -0.05 * data['mileage'] +  # 里程越高越便宜
        2000 * (data['engine_size'] - 2.0) +  # 排量越大越贵
        np.random.randn(n) * 3000  # 随机噪声
    )
    data['price'] = np.maximum(price, 5000)
    
    return pd.DataFrame(data)

df_car = prepare_car_data()

提示：实际项目中，价格生成公式是未知的，这里我们明确知道价格与各特征