项目概况 开发环境：Jupyter Notebook（Anaconda3的应用包下） 项目描述 一、获取数据集并预处理 在网上（例如Kaggle）下载数据集，读入数据并进行数据预处理。 二、根据特征群进行可视化分析 数据总体分成三大特征群，逐一分析各特征群下，每个特征在特征群中的重要程度，在客户流失因素上的重要程度。对数据进行可视化分析，通过饼状图的对比，对各项特征指标有一个直观的清晰的 认识。 三、特征工程与类别平衡 数据预测前一系列处理，先进行特征工程处理，结合皮尔逊相关系数，把无用特征进行剔除，完善字符编码格式。再处理类别不平衡的问题（正负样本数相差较多，易导致数据倾斜或不准确）。 四、模型使用与评估 使用机器学习模型与模型评估方式，用K折交叉验证计算方式，分别对逻辑回归，随机森林，AdaBoost,XGBoost模型进行评估，得出预测模型的准确度，后续选择其中之一进行实际预测，并输出模型中的特征重要性。 五、总结分析与制定决策 总结分析，合并各客户的预测流失率与真实流失率，形成关系表。运营商可以根据分组情况的结果设定阈值并进行决策，从而确定分界点进行客户召回措施。

机器学习期末作业 数据集来源：Kaggle泰坦尼克号罹难乘客生存预测 https://www.kaggle.com/c/titanic/data 代码编辑器：Jupyter Notebook 论文排版：LaTex

kaggle游乐场系列比赛蓝莓产量的代码，团队利用lasso回归选取变量，利用随机森林对变量重要性进行排序，然后利用多元线性回归、bp神经网络（matlab）、SVR、LightGBM对其进行预测。所有代码如下。.zip

give me some credit data

数据量在四位数左右，可供于机器学习使用，深度学习可能不太够。 不同开源数据库的数据标签格式不统一，可能要手动处理或者做一个多模态。 同时也包括一部分嘴唇的图象数据 仅供交流学习使用 侵删 本人也在做相关实验，欢迎各位在评论区交流经验和算法知识

链接: https://pan.baidu.com/s/1m6nDHKCPlHAHnP0xWhUE5A 提取码: pg3z

train.csv：训练集、test.csv：测试集 historical_transactions.csv：信用卡(card_id)在给定商家的历史交易记录，对于每张信用卡，最多包含其三个月的交易记录 new_merchant_transactions.csv：每张信用卡在新商家的购物数据，最多包含两个月的数据(字段说明同上) merchants.csv：数据集所有商家(商家id)的附加信息

matlab svr代码kaggle_表型 戴希扬@UMD CS 从基因型预测表型。 这是用于从基因型@UMD CMSC702 预测表型的 Kaggle 竞赛。 整个代码按原样提供。 要求 -Matlab -Libsvm/Libliner (for SVR) -DeepLearnToolbox (for NN regression) -vl_feat (for gmm) 建议的方法 团结 - logloss.m - dataloader.m - confusion_matrix.m - mynormalize.m - k_mer_feature.m - gmms_feature.m 特征选择 - feature_selection.m - fs_trian_test.m 降维 - dimension_reduct.m K-mer + 种群 + LASSO + NN/SVR - nfold_validation.m: Driver to run nfold cross validation on proporsed methods (SVR) - mytrain.m - mytest.m

KaggleLeaf分类 Kaggle竞赛“植物幼苗分类”

手把手教你如何在Kaggle猫狗大战冲到Top2%-------运行成功python3.5------py源代码