电信客户流失分析：EDA和分类模型 安德鲁·科尔 请参考下面的链接以获取详细的博客文章，以分析整个过程： 探索性数据分析： : 建立Logistic回归模型： ： 项目概况 在商业世界中，客户为王。 了解客户至关重要，了解他们的行为模式会导致非常有影响力的业务决策。 客户流失率是商业客户离开商业业务/平台并将其资金转移到其他地方的比率，而了解潜在的客户模式将极大地影响企业保留其客户的能力。 作为试图进入专业领域的数据研究人员，我认为有必要更好地了解这些流失数据功能的外观以及如何使用它们来了解客户。 在该存储库中，我将利用电信公司（Telco）的客户数据集执行非常详细的探索性数据分析，以深入了解我们数据中存在的任何模式或趋势。 其次，我将处理数据并建立一系列二进制结果分类模型，这些模型将试图有效地预测客户是否会从电信平台流失。 数据 数据来自Kaggle（ ）。 我们的数据集

分类项目电信 该存储库将存储“电信分类项目”的探索性笔记本和可交付成果。 项目总结： 电信客户正在前往较新的公司。 尤其是电话客户。 查找流失的驱动程序。 该报告的副本将寄给高管。 在您的最终笔记本中包含足够的文档，以便有人在您没有您的情况下进行操作。 7043个客户的数据库，具有24个功能 目标： 在电信公司查找客户流失的驱动因素 构建可准确预测客户流失的ML分类模型。 数据字典 |变量| 定义| 数据类型价值计数| | || churn |这是我们的目标变量，表示客户已取消服务商| 对象 属性 定义 数据类型 payment_type_id 指示客户每月如何支付账单 int64 contract_type_id 指示客户拥有哪种合同类型 int64 internet_service_type_id 指示客户拥有哪种类型的互联网服务 int64 顾客ID 标识每个客户

PySpark_Housing_Models 三种PySpark机器学习模型可预测房屋与海洋的距离

永不放弃学习指导的探索策略

具有K均值聚类和DBSCAN的CitiBike数据网络分析 该存储库使用网络科学方法和聚类技术检查CitiBike数据。 该数据可在上获得，而行程历史数据可在 。 csv.zip 2019年11月5日，05：10：56 pm用于此实验）。 使用K-means聚类和DBSCAN对自行车站网络进行进一步分析。 该文件包含以下属性-行程持续时间（秒），开始时间和日期，停止时间和日期，开始站点，名称，结束站点名称，站点ID，站点纬度/经度，自行车ID，用户类型（客户= 24小时通行证或3天通行证用户；订户=年度会员），性别（零=未知； 1 =男性； 2 =女性），出生年份。 为了可视化网络，进行以下数据处理。 •CSV文件存储在pandas数据框中，并随机采样50个条目。 •从采样数据中起始和结束站点ID的组合列表中，将所有唯一的起始和结束站点ID及其相应的站点名称，纬度和经度提取到新的数

yeast_data:酵母RNA-seq数据分析

FF14价格 基于FF14 WIKI和universalis.app的一个东西 从WIKI上面爬产品的制作清单和物品ID 在universalis.app看每一个物品的价格 然后根据清单计算成本

Suppot-Vector-Machine-IRIS:使用SVM对IRIS数据集进行实验

斯科纳 欢迎来到scona GitHub存储库！ :sparkles: 开始使用 如果您不想打扰整个页面，可以通过以下三种方法来弄污双手并探索scona ： 使用pip将scona安装为python软件包 pip install -e git+https://github.com/WhitakerLab/scona.git#egg=scona 查看我们的以获取基本功能示例。 或者交互运行它。 阅读文档： : 我们在做什么？ scona是执行小号tructural协方差脑N使用蟒etwork一个nalyses的工具包。 scona获取从结构MRI获得的区域皮层厚度数据，并生成一组受试者之间区域之间的相关矩阵。 相关矩阵与networkx软件包一起使用，以生成各种网络和网络度量。 该scona代码库最初由Kirstie Whitaker博士开发，用于精神病学网络中的神经科学出版物“青春期与

IMDB_TextAnalysis 通过IMDB数据集评论上的训练模型将输入文本分为正面还是负面。