烧瓶薪水预测器 该项目根据经验预测员工的薪水。 模型 model.py训练并将模型保存到磁盘。 model.pkb泡菜模型 应用程式 app.py包含烧瓶和管理API所需的所有内容。 程序-打开命令提示符并转到给定目录，然后运行python app.py

薪水预测-烧瓶部署 这是一个演示项目，用于详细说明如何使用Flask API在生产环境中部署机器学习模型 先决条件 您必须安装Scikit Learn，Pandas（用于机器学习模型）和Flask（用于API）。 项目结构 该项目包括四个主要部分： model.py-这包含我们的机器学习模型的代码，以预测hiring.csv文件中训练型数据上缺少的员工薪水。 app.py-包含Flask API，这些API通过GUI接收员工详细信息，根据我们的模型计算推定值并返回。 模板-此文件夹包含HTML模板，允许用户输入员工详细信息并显示预测的员工薪水。 运行项目 确保您在项目主目录中。 通过运行以下命令来创建机器学习模型- python model.py 这会将我们模型的序列化版本创建到文件model.pkl中 使用以下命令运行app.py以启动Flask API python app.

使用D3.js进行工资报告虚拟化 该报告的数据于2017年12月，2018年12月和2019年12月从欧洲IT社区收集。特别感谢提供了出色的数据集！ 演示版 。 数据集 电子表格中提供了用于绘图的数据： 可用的虚拟化列表 饼形图 可用的分组：性别，城市，资历，语言，公司类型，公司规模； 工具提示显示组中薪资的均值，中位数，第一四分位数和第三四分位数； 条形图 按性别和薪资范围分组的回答； 工具提示显示平均薪水，年度变化以及组中受访者总数的百分比/份额； 箱形图 可用的X轴选项：薪水，加薪 可用的y轴选项：性别，城市，资历，语言，公司类型，公司规模，总经验； 工具提示显示组中薪水的平均值，中位数，第5个百分点，第1个四分位数，第3个四分位数和第95个百分点； 散点图 按性别着色的回答； 缩放和拖动坐标平面； 工具提示包含完整的响应信息。 词云 特征 使用侧面板过滤器按城市，

薪资预测 使用线性回归的机器学习模型，可以通过输入经验年限来预测薪水。 当前使用Heroku进行部署。 这是已部署模型的链接： :

对于数据科学领域的每个新手来说，他们都希望基于这些功能了解数据科学家的平均工资。因此，该数据集用于了解和探索有关数据科学家薪水的更多信息，以及影响或增加单个数据科学家薪水的哪些特征。 sample_submission.xlsx test.csv train.csv

薪水预测 预测薪水

机器学习数据包,做集训集和测试集。breast_cancer.xlsx，movies.xlsx,salary.txt,train_pics.rar（5000张手写数字）

预测工资 分类模型预测工资水平 待办事项： 类平衡（分层，训练和测试集，无分数硬编码） PABLO完成 xgboosta，randomForest和Logistic回归（Gridsearch，Randomsearch）超参数PABLO完成，但没有xgboosta 选择最好的一个转型（grouping_countries，grouping_marital，grouping_ethnic，grouping_education） PABLO完成 来自变量的多项式以获得更好的结果（sklearn.preprocessing.PolynomialFeatures） TOMASZEK 生成依赖关系图，例如精度与参数值的关系，aoc，roc，可能是具有里程碑1/2（eda） MATI TOMUŚ矩阵TOMUŚ 报告:) MATI 准备好的代码，具有最佳效果（从头到尾） PABLO todo

bnuz-sjms-salary--第四版.zip

The dataset is provided by Adzuna.The main dataset consists of a large number of rows representing individual job ads, and a series of fields about each job ad. And contains a supplemental data set that describes the hierarchical relationship between the different Normalised Locations shown in the job data. 数据集由Adzuna提供。主数据集由表示单个招聘广告的大量行和关于每个招聘广告的一系列字段组成。并包含一个补充数据集，描述了不同归一化位置之间的层次关系显示在作业数据。 Location_Tree.csv mean_benchmark.csv random_forest_benchmark_test_rev1.csv test.csv Valid_rev1（1）.csv Valid_rev1.csv Test_rev1（1）.csv Test_rev1.csv Train_rev1.csv Train_rev1（1）.csv