-数据集-_V-COCO_analysis

基于不平衡数据的Python_Health-Insurance-交叉销售预测 在该项目中，我们将现代机器学习技术应用于保险单持有人的数据，以分析和预测其行为。 使用Python语言，我们对数据的处理方法产生了令人兴奋的见解，可以帮助保险公司进行业务建模。

数据分析项目 1.健康保险交叉销售预测 （Kaggle数据集URL： ://www.kaggle.com/anmolkumar/health-insurance-cross-sell-prediction） 训练数据包含381109笔客户资料，每笔客户资料包含12个细分，1个客户ID细分，10个输入细分及1个目标细分-Response是否响应（1代表关注，0代表不关注）。 初步 角色 测量类型 不同值个数 ID 记录标识 无类型 381109 性别 输入 分类型 2个 年龄 输入 数值型 66 驾驶执照 输入 分类型 2个 区域代码 输入 分类型 53 以前_已保险 输入 分类型 2个 车辆年龄 输入 分类型 3 车辆损坏 输入 分类型 2个 年度_高级 输入 数值型 48838 Policy_Sales_Channel 输入 分类 155 优质的 输入 数值型 290 回

健康保险交叉销售 该存储库包含支持保险公司交叉销售其产品的代码 项目背景 假设的All All是一家为客户提供健康保险的公司，产品团队正在分析为被保险人提供新产品的可能性：汽车保险。 该保险将由销售团队提供给客户，而销售团队反过来会限制活动期间可以联系的客户数量。 通过这种方式，Insurance All公司要求对具有更大可能性粘附到新产品上的客户进行预测，因此，销售团队可以策略性地向客户提供该产品，以实现最大的销售额。 请求背后的原因：一个模型，该模型可以预测客户是否会对汽车保险感兴趣 大股东：销售团队 问题类型：交叉销售 粒度：客户关系 主要方法：分类 运输方式 具有主要见解的仪表板，可对有意购买汽车保险的客户的最相关属性进行分析。 带有模型的API，该模型将同时使电报中的bot和电子表格消耗数据 业务问题 对购买汽车保险感兴趣的客户中，有多少百分比的销售团队能够通过拨打20,00

灾难响应消息分析项目-集成和RNN方法 在本笔记本中，我探索了三种分析文本数据以预测文本主题的方法。 这是通过数据完成的，中有来自灾难幸存者的已编译文本消息，目的是对它们进行分类，以了解处理灾难时的优先级。 文献资料 以下项目是Udacity的数据科学纳米学位计划的一部分，该计划提供了原始数据库。 该信息如图8所示。 表格中分析的文本消息具有三种类型，分布如下所示： 需要注意的另一重要事项是所分析的文本与灾难相对应。 在下面您可以找到不同文本中最常见的10个单词： 在该项目中，您将发现两个部分： 应用程序：在项目的“应用程序”部分中，有一个Web应用程序，它使用分析后的信息来制作图形和预测。 该预测是通过模型完成的，该模型是根据Udacity提供的信息进行训练的。 Udacity提供的Web应用程序模板。 笔记本：在笔记本中，您还可以找到随机森林模型，预处理和图形。 它还包含一个

滑出时间 飞机滑行时间的建模要开发模型，以预测飞机在预定起飞时间之前2小时的滑行时间

SalaryPrediction:这是使用线性回归的薪资预测模型

随机森林分类器

流行的无模型强化学习算法 PyTorch和Tensorflow 2.0在Openai体育馆环境和自行实现的Reacher环境中均实现了最新的无模型强化学习算法。 算法包括软参与者关键（SAC），深度确定性策略梯度（DDPG），双延迟DDPG（TD3），参与者关键（AC / A2C），近端策略优化（PPO），QT-Opt（包括交叉熵（ CE）方法） ， PointNet ，运输商，循环策略梯度，软决策树等。 请注意，此存储库更多是我在研究和实施期间实施和测试的个人算法集合，而不是正式的开放源代码库/软件包以供使用。 但是，我认为与他人分享它可能会有所帮助，并且我希望对实现进行有益的讨论。 但是我没有花太多时间在清理或构建代码上。 您可能会注意到，每种算法可能都有几种实现方式，在此我特意展示所有这些方式，供您参考和比较。 此外，此存储库仅包含PyTorch实施。 对于RL算法的官方库，

项目总结 -建立智能的Beta产品组合，并将其与基准指数进行比较。 -根据索引计算跟踪误差。 -通过使用二次编程来优化权重来构建投资组合。 -重新平衡投资组合并计算营业额以评估绩效，然后使用此指标找到最佳重新平衡频率。