原始数据集地址：https://www.kaggle.com/datasets/uciml/faulty-steel-plates 原始数据有1941笔数据，提取出1552笔数据作为训练集。

实战KAGGLE⽐赛：房价预测： 作为深度学习基础篇章的总结，动⼿实战⼀个Kaggle⽐赛：房价预测。 本节将提供未经调优的数据的预处理、模型的设计和超参数的选择。 https://blog.csdn.net/yohnyang/article/details/126883147

截止2012年10月份在Amazon网站上568454条食品评论数据，包括用户、评论内容、评论食品、食品评分等数据，数据来自Kaggle.com。

加速度计-生物识别 通过加速度计数据识别移动设备的用户（kaggle上的“加速度计生物识别竞赛”） “ CS 725：机器学习基础”的课程项目 #Description：您可以在找到问题陈述的描述 ＃如何运行代码： 假设：您将train.csv和test.csv与其他项目文件放在同一文件夹中 运行device_count.py 运行extractMeanVar.py 运行trimmingdata.py 现在，您可以执行任何分类器代码。 只需在同一文件夹中查找所需文件即可。 ＃我们的方法我们设计了以下解决问题的方法： 朴素贝叶斯 最近的邻居 二次判别分析（类似于LDA） 支持向量机 ＃与每种方法相关的文件： 1]朴素贝叶斯 1. extractMeanVar.py 2. naive_bayes.py 3. naive_bayes_Random.py 2]最近的邻居 1. t

【kaggle】TPS-AUG22 Binary Classification

卡格勒 我的Kaggle比赛解决方案代码 网络流量预测：二等奖。

人脸表情识别，训练集，验证集，集，kaggle的fer2013数据集。

卡格勒 1，DigitRecognition python代码

Kaggle 比赛源代码 包含我参加的比赛的 Kaggle 提交代码的存储库。由于它们的大小，我没有添加任何 CSV（训练、测试等）文件。 相反，我在下一节中添加了这些 CSV 的链接。 森林覆盖 这里的目标是将样本分类为不同的森林覆盖。 现在我已经提交了一个包含 2000 棵树和 15 个 max_features 的随机森林解决方案。 类型：分类Kaggle 链接： 奥托集团 目标是为 Otto Group 将产品分为不同的类别。 我尝试将 SVM 与线性内核、随机森林和 GBM 一起使用，直到现在 SVM 给出了最好的结果。 类型：分类Kaggle 链接： TFI餐厅收入 这是一个预测竞赛，目标是不同餐厅的收入。 到目前为止，带有一些特征工程的回归随机森林提交对我来说产生了最好的结果。 类型：预测Kaggle 链接： 泰坦尼克号 根据他们的个人属性预测泰坦尼克号上人们的生存。

糖尿病视网膜病变检测 Kaggle 比赛代码部分 UNM CS529。