交通事故理赔审核
交通事故理赔审核
比赛概述
本比赛为个人练习赛，适用于入门二元分类模型，主要针对于数据新人进行自我练习、自我提高，与大家切磋。
练习赛时限：2017-06-03 至 2019-06-03
任务类型：二元分类
背景介绍:
在交通摩擦（事故）发生后，理赔员会前往现场勘察、采集信息，这些信息往往影响着车主是否能够得到保险公司的理赔。训练集数据包括理赔人员在现场对该事故方采集的36条信息，信息已经被编码，以及该事故方最终是否获得理赔。我们的任务是根据这36条信息预测该事故方没有被理赔的概率。
数据来源：
我们低调的合作方——某汽车大数据网站。标题图片来源：搜狐汽车。
数据下载
数据文件（三个）：
train.csv 训练集，文件大小 15.6mb
test.csv 预测集, 文件大小 6.1mb
sample_submit.csv 提交示例 文件大小 1.4mb
下载该数据即同意不以商业为目的传播、发布该数据集。
训练集中共有200000条样本，预测集中有80000条样本。
变量说明：
| 变量名 | 解释 |
|---|---|
| CaseId | 案例编号，没有实际意义 |
| Q1 | 理赔员现场勘察采集的信息，Q1代表第一个问题的信息。信息被编码成数字，数字的大小不代表真实的关系。 |
| Qk | 同上，Qk代表第k个问题的信息。一共36个问题。 |
| Evaluation | 表示最终审核结果。0表示授予理赔，1表示未通过理赔审核。在test.csv中，这是需要被预测的标签。 |
评价方法
你的提交结果为每个测试样本未通过审核的概率，也就是Evaluation为1的概率。评价方法为精度-召回曲线下面积(Precision-Recall AUC)，以下简称PR-AUC。
PR-AUC的取值范围是0到1。越接近1，说明模型预测的结果越接近真实结果。
精度和召回的定义和计算方式可参考问题：什么是混淆矩阵？中的回答。
PR-AUC的定义可参考问题：精度-召回AUC是什么？
PR-AUC的计算方法可以参考问题：Python里如何计算召回精度AUC？