针对本次任务中遇到的问题，进行一些资料的补充。
针对xgb等模型的理解
个人的理解是，这些模型大致分为两类，一类是线性模型（逻辑回归也算广义的线性），一类是树模型。这两类都可以处理回归问题，但是由于线性模型对数据更加敏感，而树模型具有更强的鲁棒性，所以比赛中常见的都是树模型。
像lgb，xgb，catboost都是树模型，它们都是由gbdt发展而来（不知道能不能这么理解）。
另外，需要注意特征筛选环节，lgb等都是嵌入式的，即模型自己就可以筛选；而lr需要通过正则L1，L2等方式筛选。总之，现在不用再蠢到自己动手筛特征了。当然，对特征的深入理解，是有助于优化模型的。
pandas一些小操作
Pandas DataFrame连接表，Merge, Join, Concat的对比
pandas 如何找到NaN、缺失值或者某些元素的索引名称以及位置
都是实践中会遇到的，值得收藏哦~
说回特征处理
首先，针对task3里的分桶，个人觉得还是有必要补充一些知识点。
另外，实操中发现power的分桶会出现缺失值，这点需要想办法解决。
其次，针对one hot问题，也有一些额外的知识点可以补充。
最后，针对聚合特征构造，除了task里的brand统计量，还有其它手段。
网友评论