木薯叶病分类 目录 我的木薯叶病比赛学习历程。我花了整整3周的时间参加这项比赛。 目标： 对木薯叶上呈现的疾病类型进行分类。有五个不同的标签：木薯细菌枯萎病（CBB），木薯褐斑病（CBSD），木薯绿斑驳病（CGM），木薯花叶病（CMD）和健康。 挑战： 这项比赛有一些挑战。 每个班级之间的分配不平衡。标签3 CMD与其他类别之间存在巨大差异。这可能会对预测产生偏差。因此，必须采用加权损失函数或过采样。 嘈杂的标签。一幅图像中有很多错误标记的图像和多种疾病，可能会影响模型预测。为了解决这个问题，可以实现多种技术，例如标签平滑，混合，剪切混合增强。 我在截止日期前参加了比赛，因此就如何处理嘈杂的标签以及哪种模型在本次比赛中效果最好，进行了很多讨论。大多数竞争对手都采用了Efficientnet和视觉变压器（ViT），因此在尝试其他模型（例如ViT，DeiT，Hybrid Resnet和ViT）

抓举 Grasp-and-Lift EEG 检测 Kaggle 比赛 设置 需要 pip 和 python 克隆仓库git clone https://github.com/jrubin01/grasp-and-lift.git cd grasp-and-lift 创建虚拟环境virtualenv venv source venv/bin/activate 安装所需的库pip install -r requirements.txt 启动 ipython ipython notebook

包含Kaggle比赛：房价预测数据集，实战的介绍文档及预测结果。 房价预测数据集分为训练数据集和测试数据集。两个数据集都包括每栋房子的特征，如街道类型、建造年份、房顶类型、地下室状况等特征值。这些特征值有连续的数字、离散的标签甚至是缺失值“na”。只有训练数据集包括了每栋房子的价格，也就是标签。

卡格 Kaggle 比赛的代码和数据 otto：奥托集团产品分类挑战赛

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。

keras搭建简单CNN模型实现kaggle比赛数字识别-附件资源

实战Kaggle比赛：房价预测-数据集

Repository 包含用于 Kaggle Avazu 竞赛获得第 18 名的代码。 使用的主要算法： 具有自适应梯度的逻辑回归 随机梯度提升机（MatrixNet）

kaggle比赛criiteo经典CTR预估数据集(小型）