Update README.md

人工智能系统实战第三期/实战代码/某闯关类手游用户流失预测/README.md

-# 某闯关类手游用户流失预测
+# 某闯关类手游用户流失预测
@@ -15,28 +15,34 @@
 - 次周的留存情况是公司关注的一个重点，数据选取了 2020.2.1 注册的所有用户在 2.1-2.4 的交互数据，数据经过筛选保证这些注册用户在前四日至少有两日登录。
 - 流失的定义参照次周（2.7-2.13）的登录情况，如果没有登录为流失。
 - 数据以更原始的数据记录形式呈现，共包含 5 个文件：
-  - train.csv：训练集用户，包括用户 id（从 1 开始）以及对应是否为流失用户的 label（1：流失，0：留存）。这里对应了 2774~10931 的 user_id。
-***
-  - dev.csv：验证集格式和训练集相同，主要为了方便离线测试与模型选择。这里对应了 10932~13589 的 user_id。
-***
-  - test.csv：测试集只包含用户 id，任务就是要预测这些用户的流失概率。要预测的是 1~2773 的 user_id。
-***
-  - level_seq.csv：包含用户游玩每个关卡的记录，每一条记录是对某个关卡的一次尝试。具体每列的含义如下：
-    - user_id ：用户 id，和训练、验证、测试集中的可以匹配
-    - level_id ：关卡 id
-    - f_success ：是否通关（1：通关，0：失败）
-    - f_duration ：此次尝试所用的时间（单位 s）
-    - f_reststep ：剩余步数与限定步数之比（失败为 0）
-    - f_help ：是否使用了道具、提示等额外帮助（1：使用，0：未使用）
-    - time ：时间戳
-***
-  - level_meta.csv：每个关卡的一些统计特征，可用于表示关卡。具体每列的含义如下：
-    - f_avg_duration ：平均每次尝试花费的时间（单位 s，包含成功与失败的尝试）
-    - f_avg_passrate ：平均通关率
-    - f_avg_win_duration ：平均每次通关花费的时间（单位 s，只包含通关的尝试） 
-    - f_avg_retrytimes ：平均重试次数（第二次玩同一关算第 1 次重试）
-    - level_id ：关卡 id，可以和 level_seq.csv 中的关卡匹配。
-
+- train.csv  
+  训练集用户,包括用户 id(从 1 开始)以及对应是否为流失用户的 label(1:流失,0:留存)。这里对应了2774~10931的user_id。
+  
+- dev.csv  
+  验证集格式和训练集相同,主要为了方便离线测试与模型选择。这里对应了10932~13589的user_id。
+  
+- test.csv  
+  测试集只包含用户 id,任务就是要预测这些用户的流失概率。要预测的是1~2773的user_id。
+  
+- level_seq.csv  
+  这个是核心的数据文件,包含用户游玩每个关卡的记录,每一条记录是对某个关卡的一次尝试,具体每列的含义如下:
+  
+  - user_id :用户 id,和训练、验证、测试集中的可以匹配
+  - level_id :关卡 id 
+  - f_success :是否通关(1:通关,0:失败)
+  - f_duration :此次尝试所用的时间(单位 s)
+  - f_reststep :剩余步数与限定步数之比(失败为 0)
+  - f_help :是否使用了道具、提示等额外帮助(1:使用,0:未使用)
+  - time :时间戳
+  
+- level_meta.csv
+  每个关卡的一些统计特征,可用于表示关卡,具体每列的含义如下: 
+  
+  - f_avg_duration :平均每次尝试花费的时间(单位 s,包含成功与失败的尝试)
+  - f_avg_passrate :平均通关率 
+  - f_avg_win_duration :平均每次通关花费的时间(单位 s,只包含通关的尝试)
+  - f_avg_retrytimes :平均重试次数(第二次玩同一关算第 1 次重试)
+  - level_id :关卡 id,可以和 level_seq.csv 中的关卡匹配
 
 ## Tips：