基于波士顿房价数据集，分别使用LinearRegressio，Lasso，ridge, Elastic net线性回归模型进行房价预测，对比模型优劣。适用于建模竞赛的模型选择与调参。 可在博主的机器学习算法专栏中找到对代码的逐句讲解。

概括为量化分析洞庭湖湖区工业产值、总人口数、捕鱼量、降雨量这四个影响因素对湖水中污染物的影响力。将四个因素设为自变量，通过regress函数对其进行多元线性回归分析，得出多元线性回归函数，再将结果与原始数据进行误差分析，并进行优化。

在 python 中用 scikit-learn 库的 LogisticRegression 模型来实现逻辑回归。首先，自定义一组训练数据，包括输入特征和目标变量；然后，使用 LogisticRegression 类的 fit() 方法来训练模型。最后，用 predict() 方法来进行预测一组输入数据的结果。

BigMart销售预测 BigMart销售数据集包含2013年销售数据，这些数据来自不同城市的10个不同网点的1559种产品。 以下项目的目标是建立一个回归模型，以预测下一年在10个不同的BigMart网点中每种1559产品的销售情况。 BigMart销售数据集还包含每个产品和商店的某些属性。 此模型可帮助BigMart了解在增加整体销售额中起重要作用的产品和商店的属性。 该项目由Harsh Nagoriya自豪地创建。

构造了基于小波系数的多变点检测算法,该算法可应用于非参数回归模型多变点检测.渚河水文时间序列实例分析结果表明,检测的结果与实际情况相符合.该方法不需要对时间序列做任何参数化的假定便能方便地检测出变点的位置,同时还能够给出变点个数的估计.

The dataset contains Number of Air passengers of each month from the year 1949 to 1960. We can use this data to forecast the future values and help the business. https://www.kaggle.com/datasets/abhishekmamidi/air-passengers

薪水预测-烧瓶部署 这是一个演示项目，用于详细说明如何使用Flask API在生产环境中部署机器学习模型 先决条件 您必须安装Scikit Learn，Pandas（用于机器学习模型）和Flask（用于API）。 项目结构 该项目包括四个主要部分： model.py-这包含我们的机器学习模型的代码，以预测hiring.csv文件中训练型数据上缺少的员工薪水。 app.py-包含Flask API，这些API通过GUI接收员工详细信息，根据我们的模型计算推定值并返回。 模板-此文件夹包含HTML模板，允许用户输入员工详细信息并显示预测的员工薪水。 运行项目 确保您在项目主目录中。 通过运行以下命令来创建机器学习模型- python model.py 这会将我们模型的序列化版本创建到文件model.pkl中 使用以下命令运行app.py以启动Flask API python app.

向量自回归模型(VAR)-Eviews实现.pptx

数据表+源码+报告 大三数据挖掘实验

预测房屋售价 技术与技能 技术技能：回归，数据清理，探索性数据分析（EDA），数据可视化，机器学习，偏差方差折衷，插补方法，模型验证，统计，特征工程，正则化，集成模型，k均值聚类，管道，网格搜索，转学 技术： Python，Jupyter Notebook，GitHub，Git Python库： Pandas，numpy，sklearn，matplotlib，seaborn，scipy 模型：多元线性回归，岭回归，LASSO回归，k近邻回归，随机森林回归，额外树木回归，支持向量回归，XGBoost回归，主成分回归 概述 该项目将涵盖以下部分： 问题陈述 执行摘要 结论 数据源 数据字典 问题陈述 我对该项目的目标是建立一个可以预测爱荷华州艾姆斯房屋实际售价在25,000美元以内的回归模型。 我将用来评估模型准确性的主要指标包括均方根误差（RMSE）和确定系数（R平方）。 RMSE代表