数据来自产品在Bosch真实生产线上制造过程中的设备记录，体现了每件产品在生产过程中的相关参数和设备运转情况，希望以此来降低次品产品的产生和下线。

这是我读《python机器学习及实践-从零开始通往kaggle竞赛之路》时自己写的代码，包括了3.2节之前的所有代码，详见https://www.xxy.ink/learn/ml/1.html，相对于书中代码略有改动，比如分类加入了混淆矩阵、修改了书中报错的部分等，保证都是可以运行的

从。 我们从代码和伟大的代码中学到更多。 不一定总是排名第一的解决方案，因为我们还了解了是什么造就了出色且良好的解决方案。 我会发布我遇到的解决方案，这样我们都可以学习变得更好！ 我从 Kaggle 举办的比赛中收集了以下源代码和有趣的讨论，以供学习。 没有列出所有比赛，因为我只是手动收集它们，还有一些比赛由于没有人分享而没有列出。 随着时间的推移，我会添加更多。 谢谢你。 。 。 Alessandro Mariani 的。 B1aine。 e by Hiroyuki。 MrCanard。 。 Paul Duan 和 Benjamin Solecki 团队的。 Paul Duan 。 Owen Zhang 的排名 2 解决方案代码。 Dmitry & Leustagos

贷款违约预测竞赛数据，是个人的金融交易数据，已经通过了标准化、匿名处理。包括200000样本的800个属性变量，每个样本之间互相独立。每个样本被标注为违约或未违约，如果是违约则同时标注损失，损失在0-100之间，意味着贷款的损失率。未违约的损失率为0，通过样本的属性变量值对个人贷款的违约损失进行预测建模。数据来自英国帝国理工大学。

广告实时竞价数据，是广告牌、商场广告位和互联网广告栏中的广告位的实时竞价情况信息，用以训练有偏模型和预测客户点击。

共享单车需求 Kaggle 竞赛预测城市共享单车系统的使用情况 看看比赛： : 。 以下是项目描述的摘录。 自行车共享系统是一种租用自行车的方式，通过整个城市的售货亭位置网络，自动获得会员资格，租借和退还自行车的过程。 使用这些系统，人们可以从一个地方租借一辆自行车，然后根据需要将其归还到其他地方。 目前，全球有500多个自行车共享计划。 这些系统生成的数据对研究人员很有吸引力，因为旅行的持续时间、出发地点、到达地点和经过的时间都被明确记录下来。 因此，共享单车系统充当传感器网络，可用于研究城市中的移动性。 在本次比赛中，参与者被要求将历史使用模式与天气数据相结合，以预测华盛顿特区首都共享单车计划的自行车租赁需求 致谢 Kaggle 正在举办这场比赛，供机器学习社区用来娱乐和练习。 该数据集由Hadi Fanaee Tork使用来自Capital Bikeshare的数据提供。 我

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

Kaggle是由联合创始人、首席执行官安东尼·高德布卢姆（Anthony Goldbloom）2010年在墨尔本创立的，主要为开发商和数据科学家提供举办机器学习竞赛、托管数据库、编写和分享代码的平台。该平台由于举办多种领域的数据分析、机器学习竞赛，具有很多有价值的数据集可供下载。Kaggle 的数据集很难下载，这里提供了一个文本分类的数据集，供大家使用。

根据房屋租赁信息创建的日期和其它相关特征，预测该租赁信息预计被查询点击的次数，进而提供欺诈控制和信息质量监测，使房屋业主和代理人更好的理解租户的需求和偏好。

Reddit 用户交互记录【Kaggle竞赛】.zip