kaggle房价预测数据集

世界范围显著地震数据（1965-2016）

kaggle信用数据科学竞赛 2018年Kaggle家庭信用违约风险机器学习竞赛完成的作品集 比赛可以在。 所有内核都可以在Kaggle上免费运行，可以在

Global-Wheat-Detection 比赛简介 比赛描述 为了获得有关全世界麦田的大量准确数据，植物科学家使用“小麦头”（包含谷物的植物上的穗）的图像检测。这些图像用于估计不同品种的小麦头的密度和大小。但是，在室外野外图像中进行准确的小麦头检测可能在视觉上具有挑战性。密集的小麦植株经常重叠，并且风会使照片模糊。两者都使得难以识别单头。此外，外观会因成熟度，颜色，基因型和头部方向而异。最后，由于小麦在世界范围内种植，因此必须考虑不同的品种，种植密度，样式和田间条件。为小麦表型开发的模型需要在不同的生长环境之间进行概括。当前的检测方法涉及一阶段和两阶段的检测器（Yolo-V3和Faster-RCNN），但是即使在使用大型数据集进行训练时，仍然存在对训练区域的偏倚。 The is led by nine research institutes from seven countries:

Spotify笔记本 这是Spotify的主要内容的Python部分，主要探讨python的数据分析技术和表示样式。 这是创建仪表盘的基础。 归纳法 这是通过名为Spotify.ipynb的文件中的python和jupyter notbook完成的数据可视化和分析 了解类别 内容 “ data.csv”文件包含从Spotify Web API收集的170,000首歌曲，您还可以在其他数据集中找到按艺术家，年份或流派分组的数据。 该数据集由Kaggle用户YamaçEren Ay上传，您可以在这里找到原始数据集 主： id（Spotify生成的轨道的ID） 数值： 声音（范围从0到1） 舞蹈性（范围从0到1） 能量（范围从0到1） duration_ms（整数通常为200k至300​​k） 工具性（范围从0到1） 价（范围从0到1） 受欢迎程度（范围从0到100） 速度（

数据记录了美国芝加哥市从2001年至2016年6000000笔犯罪记录，包括时间、地点、区域、案件描述、社区、经纬度坐标等。

探索性数据分析 我对该项目的目标是，通过从探索性数据分析中收集见识，尝试在kaggle竞赛中取得高分。 我尝试了几种机器学习算法，其中Lasso回归在前2％的最终得分中表现最好。 jupyter笔记本记录了我针对此问题采取的步骤。

kaggle-ndsb Kaggle（浮游生物分类）全国数据科学碗竞赛的获胜解决方案 更多信息可以在文件doc.pdf和。

数字识别器-Kaggle 使用 Scikit-Learn 进行数字识别器 Kaggle 比赛。 文件 train.csv 和 test.csv 必须在工作目录中。 SVM_poly_deg2： 使用 SVM 进行数字识别（poly，degree = 2） Kaggle 准确率：0.97871 对于完整的数据集： 读取（预处理）时间 ~ 25.5 s 训练运行时间 ~ 146.5 s 预测运行时间 ~ 161.5 s （处理器：1.7 GHz Intel Core i7，内存：8 GB） SVM_rbf: 使用 SVM (rbf) 预处理数据的数字识别 Kaggle 准确率：0.96457 对于完整的数据集： 读取和缩放数据运行时间 ~ 25.0 s 训练运行时间 ~ 398.5 s 预测运行时间 ~ 346.8 s （处理器：1.7 GHz Intel Core

数据包括IMDB网站上抓取的5043部电影28个属性信息，4906张海报，电影时间跨度超过100年和66个国家，并包括2399位导演和数千位演员。属性包括：电影名称、评论数、评分、导演、上映时间、上映国家、主要演员、语言、IMDB评分等。