该项目旨在使用提供的数据集建立房价模型，以预测加利福尼亚州的房价中位数。 考虑到所有其他指标，该模型应该从数据中学习并能够预测任何地区的房价中位数。 地区或街区组是美国人口普查局发布样本数据的最小地理单位（街区组通常人口为600至3,000人）。 项目数据集中有20,640个地区。

线性回归汽车价格预测 这是用于汽车价格预测的线性回归模型 一家中国汽车公司吉利汽车（Geely Auto）希望通过在美国设立生产部门并在当地生产汽车，从而在美国和欧洲同行中竞争来进入美国市场。 他们与汽车咨询公司签约，以了解汽车定价所依赖的因素。 具体来说，他们想了解影响美国市场汽车定价的因素，因为这些因素可能与中国市场有很大不同。 该公司想知道： 哪些变量在预测汽车价格方面很重要 这些变量如何很好地描述汽车的价格 根据各种市场调查，这家咨询公司收集了整个美洲市场上各种类型汽车的大型数据集。 我们需要使用可用的独立变量对汽车价格进行建模。 管理层将使用它来了解价格随自变量的确切变化情况。 他们可以据此操纵汽车的设计，商业策略等，以达到一定的价格水平。 此外，该模型将是管理层了解新市场定价动态的好方法。 我们将使用汽车价格数据集使用线性回归模型。 我们想知道变量之间的关系，尤其是汽车

标题 执行摘要 Airbnb是一个成立于2008年的度假租赁平台。其业务模式是与陌生人建立信任关系，邀请宾客停留在其（房东）房源中。 它在220多个国家/地区拥有业务，拥有超过700万个上市商品。 每个列表的价格由房东确定。 该项目使用各种功能揭示了纽约Airbnb的价格预测模型。 该数据集是从Airbnb网站下载的，分析仅限于2020年1月3日的2019年列表数据库。在该数据集上几乎没有机器学习模型和情感分析。 总之，诸如房型，物业类型，负面评论，便利设施，区域，超级主人身份和即时预订等功能在影响挂牌价格方面发挥了作用。 1.简介 该分析旨在了解不同功能对价格的影响。 功能包括列表中可用的功能以及从评论中提取的功能。 基于回归的分析是首选并已实现。 分析分为两部分： 总体上市分析，有助于了解功能对纽约整个价格的总体影响。 皇后区邻域分析，其中包括评论情绪分类以及预测模型中的其他功能。

数据共9万条。包括天气、负荷、电价数据

A-stock-prediction-algorithm-based-on-machine-learning （陆续更新）重新整理过的基于机器学习的股票价格预测算法，里面包含了基本的回测系统以及各种不同的机器学习算法的股票价格预测，包含：LSTM算法、Prophet算法、AutoARIMA、朴素贝叶斯、SVM等 强烈推荐大家去看看sklearn库的文档，地址：[ ] 2021-2-6 出现紧急问题，重新发布 12-3 股票消息面分析 给出一个基于nlp情感分析的消息面分析算法。从新浪财经上获取新闻个股预测情况，使用jieba进行切词和使用snownlp进行情感分析，进行回测。 11-27 修正机器学习算法/DecisionTree.py RandomForest.py 上面的逻辑错误。 11-25 visualization/mlpredict-line.py echarts+tushar

DL_Wavelet_Price预测 深度学习和小波用于高频价格预测

本问主要以预测秦皇岛煤炭价格为目标，通过问题一中不同因素对其影响权重的大小以及神经网络算法，建立价格预测模型。BP神经网络模型处理信息的基本原理是：输入信号，通过中间节点（隐层点）作用于输出节点，经过非线性变换，产生输出信号，网络训练的每个样本包括输入向量和期望输出量t，网络输出值y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的连接强度值和隐层节点与输出节点之间的连接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线性转换的信息。

使用随机森林的汽车价格预测：该项目使用随机森林回归器作为监督的机器学习技术来预测汽车价格

纽约市财产回归 基于纽约数据的房地产价格预测的真实案例研究。 项目背景 以在纽约州投资于房屋和公寓的房地产投资信托（REIT）为例，房地产投资信托（REIT）业务的一部分是试图预测房地产在出售前的公平交易价格。 他们这样做是为了校准内部定价模型并保持市场脉动。 在此项目中，数据集表示纽约州一个小县内房屋，公寓和公寓的投资。 当前的工作解决方案 房地产投资信托目前使用第三方评估服务，以其自身的专业知识估算房地产价格。 在实践中，各个评估员的技能水平差异很大。 为了估算错误定价范围，房地产投资信托基金进行了试运行，以将实际交易价格与评估师的估算值进行比较。 结果发现，没有经验的评估员给出的估计数平均相差70,000美元。 作为数据科学家的角色 房地产投资信托基金已决定采用数据驱动的方法来评估物业，而不是依靠评估师的个人专业知识。 目前，房地产投资信托基金有尚未开发的市场上先前物业交易价格

房屋价格预测-ML-Hackaton：使用具有相关热图，PCA和随机森林回归的特征选择进行房屋价格预测