艺术品运输成本预测数据集
数据来源：互联网公开数据
标签：艺术品, 运输成本, 机器学习, 预测模型, 艺术品市场, 国际运输, 物流管理, 数据建模
数据概述
本数据集来源于艺术品销售与运输领域的实际场景，主要用于预测艺术品（特别是雕塑）的运输成本。数据集包含了艺术品的基本信息、卖家与买家的详细信息、运输条件以及实际运输成本，适合用于构建机器学习模型以解决艺术品运输成本预测问题。数据集分为训练集（train.csv）和测试集（test.csv），并提供了提交样例文件（sample_submission.csv），方便开发者验证模型效果。
以下是数据集的关键字段定义：
- Customer Id：客户唯一标识编号。
- Artist Name：艺术家名称。
- Artist Reputation：艺术家在市场上的声誉评分，数值越大表示声誉越高。
- Height：雕塑高度。
- Width：雕塑宽度。
- Weight：雕塑重量。
- Material：雕塑材料类型。
- Price Of Sculpture：雕塑的价格。
- Base Shipping Price：基础运输价格。
- International：是否为国际运输（布尔值）。
- Express Shipment：是否为快速运输（布尔值）。
- Installation Included：是否包含安装服务（布尔值）。
- Transport：运输方式（如空运、陆运等）。
- Fragile：是否为易碎品（布尔值）。
- Customer Information：客户相关信息。
- Remote Location：客户是否位于偏远地区（布尔值）。
- Scheduled Date：订单下单日期。
- Delivery Date：预计交付日期。
- Customer Location：客户地理位置。
- Cost：订单的实际运输成本（目标变量）。
数据用途概述
该数据集适用于以下场景：
1. 艺术品运输成本预测：通过机器学习模型预测艺术品运输成本，帮助企业优化物流管理，降低运输成本。
2. 艺术市场分析：基于艺术家声誉、雕塑材料、价格等信息，分析艺术品市场趋势和价值驱动因素。
3. 物流优化：研究运输方式、国际运输、快速运输等对运输成本的影响，为物流公司提供决策支持。
4. 客户行为分析：结合客户地理位置、订单时间等信息，分析客户偏好和购买行为。
5. 机器学习建模：数据集结构清晰，包含多种类型的数据（数值型、类别型、布尔型），适合用于回归模型、特征工程和模型优化等实验。
适用场景
- 企业应用：艺术品销售公司、物流公司、艺术品拍卖行等可利用数据集优化运输流程，提升客户体验。
- 学术研究：研究人员可基于数据集探索艺术品运输成本的影响因素，或开发新型预测模型。
- 教育用途：数据集可用于机器学习课程教学，帮助学生理解数据预处理、特征工程和模型评估的过程。
数据规模
- 训练集：train.csv，包含6500条记录，每个记录有20个字段。
- 测试集：test.csv，包含3500条记录，每个记录有19个字段（缺少目标变量Cost）。
- 提交样例：sample_submission.csv，包含5条记录，用于提交结果格式参考。
评价指标
模型预测结果的评价采用对数均方误差（Mean Squared Logarithmic Error, MSLE）的调整版本，具体公式为：
[ \text{score} = 100 \times \max(0, 1 - \text{metrics.mean_squared_log_error(actual, predicted)}) ]
分数越高表示模型预测性能越好。
提交要求
- 结果文件格式：结果文件必须为.csv格式，包含两列：Customer Id（客户唯一标识）和Cost（预测的运输成本）。
- 文件大小：结果文件应包含3500行数据，与测试集大小一致。
- 注意事项：确保结果文件中的索引值和列名与sample_submission.csv文件一致。
其他说明
- 数据集中的某些字段（如运输方式、地理位置等）可能需要进一步预处理，例如编码或标准化。
- 部分字段（如客户信息）可能包含敏感数据，使用时需注意隐私保护。
- 数据集中的运输成本（Cost）是目标变量，其他字段均为特征变量，可用于构建预测模型。
通过上述数据集，用户可以快速了解数据的组成和价值，为艺术品运输成本预测、物流优化和市场分析提供有力支持。
