您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. modeling_housing_prices:我在训练营中完成的第二个项目-源码

  2. 项目2-艾姆斯住房数据和Kaggle挑战 利用房屋的特征,我将开发一个模型来预测爱荷华州埃姆斯的房屋价格。 知道是在模型中添加还是排除某项功能可以帮助房主确定该功能是否会增加其财产价值以及是否要对其进行投资。 该模型还可以帮助潜在的购房者估算具有其所需所有功能的房屋价格,从而可以确定房屋是否在预算之内。 型号类型: 我测试了三种不同的模型:线性,套索和岭回归。根据R ^ 2和均方根误差(RMSE)分数评估成功与否。创建了一个虚拟模型来评估基线,然后将我的模型与该模型进行了比较。 特征: 在测试模
  3. 所属分类:其它

    • 发布日期:2021-03-19
    • 文件大小:712kb
    • 提供者:weixin_42125770
  1. HousingRealestate_project-源码

  2. HousingRealestate_project 房屋预测项目 介绍 在该项目中,对多个线性回归模型进行了优化,以预测西雅图金县的房屋价格。在项目开始时提出了三个有关住房的重要问题,并在项目结束时回答了三个重要问题。 动机 建立了线性回归模型,以帮助房地产公司的房地产顾问明智地选择可以成为良好投资并带来利润的房屋。基于各种观点对线性回归模型进行了评估。第一个目标通常是产生一个模型,该模型可以预测金县的房屋价格销售。第二个目标是生成一个仅可以基于外部地理/物理特征预测房屋销售价格的模型。该分析可
  3. 所属分类:其它

    • 发布日期:2021-03-19
    • 文件大小:12mb
    • 提供者:weixin_42135754
  1. Move_to_Melbourne-源码

  2. Move_to_Melbourne 问题陈述:您来自爱荷华州的朋友(解决了您的住房问题)现在搬到墨尔本接受新的任务Down Under。当您很好地解决了他的爱荷华州住房问题时,他也希望您也解决他的墨尔本住房问题。借助您在正则化方面的新专业知识,让我们使用正则化回归处理墨尔本住房数据。每个观察结果都是具有不同特征的不同房屋属性,例如郊区中存在的房屋数量,土地面积,房屋面积,该地区的管理委员会,房地产经纪人,房屋价格等。 您会看到数据中Type,Method,SellerG,CouncilArea和
  3. 所属分类:其它

    • 发布日期:2021-03-19
    • 文件大小:179kb
    • 提供者:weixin_42121272
  1. Advanced-Regression-源码

  2. 高级回归 作业问题 美国一家名为Surprise Housing的住房公司已决定进入澳大利亚市场。 该公司使用数据分析以低于实际价格的价格购买房屋,然后以较高的价格出售房屋。 出于相同的目的,该公司从澳大利亚的房屋销售中收集了一个数据集。 数据在下面的CSV文件中提供。 该公司正在寻找有待购买的房地产以进入市场。 您需要使用正则化来构建回归模型,以便预测预期属性的实际价值并决定是否进行投资。 该公司想知道: 哪些变量在预测房屋价格方面很重要,以及 这些变量描述房屋价格的能力如何。 此外,
  3. 所属分类:其它

  1. AMD-and-Machine-learning:该项目说明了1到50个州的美国社区调查数据,并带有家庭记录。 我们仅处理住房单元下的一个变量HINCP,并且以可繁殖和可扩展的形式实现具有岭回归,均方根误差和R2函数的回归算法。 最后,我们

  2. AMD和机器学习 该项目说明了1到50个州的美国社区调查数据,并带有家庭记录。 我们只处理住房单元下的一个变量,即HINCP,还处理具有岭性回归,均方根误差和R2函数的可再生和可扩展形式的回归算法。 最后,我们通过绘制实际值和预测值来进行探索性数据分析。
  3. 所属分类:其它

  1. Machine-learning-Predicting-housing-prices-:房价-高级回归技术的Kaggle竞赛-源码

  2. 机器学习预测住房价格 房价-高级回归技术的Kaggle竞争:使用机器学习来预测爱荷华州的房价。 查找kaggle竞赛的链接: ://www.kaggle.com/c/house-prices-advanced-regression-techniques 该存储库有几个文件: Code_Predicting房屋价格.py:是带有项目代码的jupyter笔记本。 它还具有注释,以帮助您理解开始代码的思考过程。 预测房价艾姆斯,爱荷华州:pptx:介绍该项目的简报。 它面向具有一定技术知识的
  3. 所属分类:其它

  1. DSI_Project2-源码

  2. 项目2:爱荷华州住房 内容: 背景 线性回归是一种非常流行的模型,它是根据一个目标变量(或因变量)与一个或多个解释变量(因变量)之间的关系而创建的。 在此回归挑战中,爱因斯爱荷华州住房数据集用于构建模型,可以预测每所住房的估计售价。 通过获得模型,不仅可以预测价格,而且可以研究影响价格的每个功能的重要性。 通过进一步分析,该模型可以帮助卖方或对提高其销售价格感兴趣的任何人正确地改善其房屋并获得可能的最高价格。 问题陈述 对于想要出售房屋的客户,当前的估计售价是多少? 还有什么可以提高价格的改进
  3. 所属分类:其它

    • 发布日期:2021-03-07
    • 文件大小:11mb
    • 提供者:weixin_42157166
  1. Pyspark的波士顿住房价格:Pyspark线性回归的波士顿住房价格-源码

  2. 波士顿房屋价格与Pyspark 使用PySpark和MLlib建立波士顿房价预测的线性回归 Apache Spark已成为机器学习和数据科学中最常用和受支持的开源工具之一。 该项目是使用Apache Spark的spark.ml线性回归预测波士顿房价的温和介绍。 目标是提出一个模型来预测该地区给定房屋的中位数。 数据源 我们的数据来自Kaggle竞赛:波士顿郊区的房屋价值。 链接: :
  3. 所属分类:其它

    • 发布日期:2021-03-03
    • 文件大小:292kb
    • 提供者:weixin_42101237
  1. 加利福尼亚住房数据集:将机器学习建模应用于加利福尼亚住房数据集-源码

  2. 加州住房数据集 开发了机器学习模型来预测加利福尼亚住房数据集的中位数房屋价值特征。 使用了三种算法:线性回归,XGBoost和TensorFlow / Keras神经网络。 在模型训练之前进行了要素工程,包括Z分数归一化,对数缩放,要素添加(总卧室与总房间的比率),要素修剪和要素合并以及经度和纬度的交叉。 对于所有这三种算法,均使用工程特征的不同组合绘制R平方图,以观察有效性。 然后,根据算法以图形方式编辑这些图,以便于比较。 下面提供了每种算法的图例,这些图例将数值链接到一组工程特征。
  3. 所属分类:其它

    • 发布日期:2021-03-02
    • 文件大小:33mb
    • 提供者:weixin_42122878
  1. ML_Mini_Projects:Springboard的机器学习迷你项目-源码

  2. ML_Mini_Projects Springboard的机器学习迷你项目 该存储库包含四个由通用ML方法组成的机器学习微型项目。 以下是每个项目的简短说明: 线性回归:以波士顿住房数据为例说明线性回归模型。 Logistic回归:关于体重-身高数据的性别分类示例。 朴素贝叶斯:使用多项朴素贝叶斯对电影分级进行文本分析。 Clusternig:基于客户对营销能力的响应的K-Means算法,用于客户聚类。
  3. 所属分类:其它

  1. 房屋价格预测:房屋价格预测-源码

  2. 房屋价格预测 艾姆斯住房数据集摘自kaggle竞赛。 该项目的目的是预测Boston Housing Dataset中房屋的房价。 提供了两个文件,即训练和测试,并且要估计测试数据的价格。 在这里,我已使用XGBoost进行预测。 感谢Krish Naik制作了这些精彩的视频,以帮助他们理解和实施房价预测。 稍后,我将添加探索性数据分析,并将XGBoost模型的结果与其他回归技术进行比较。 房价预测步骤 加载数据中 数据探索2.1具有空值的特征2.2数值特征 2.2.1 Year Fea
  3. 所属分类:其它

  1. 房屋价格预测-使用线性回归-源码

  2. 房屋价格预测 使用波士顿住房数据集,该项目的目的是能够对房屋进行价格预测并确定价格所依赖的因素。
  3. 所属分类:其它

  1. 加州住房:加州房屋价格的预测分析和EDA-源码

  2. 加州住房 来源 此数据集是可从(波尔图大学)获得的“加利福尼亚住房”数据集的修改版本。 LuísTorgo从StatLib存储库(现已关闭)中获取了它。 数据集也可以从StatLib镜像下载。 该数据集出现在1997年Pace,R.Kelley和Ronald Barry题为“稀疏空间自回归”的论文中,该论文发表在《统计和概率快报》杂志上。 他们使用1990年加利福尼亚人口普查数据构建了该数据。 每个普查区组包含一行。 街区小组是美国人口普查局发布样本数据的最小地理单位(街区小组通常人口为600
  3. 所属分类:其它

  1. 波士顿房屋价格预测使用回归:用于波士顿房屋价格预测的机器学习网络应用-源码

  2. 波士顿房屋价格预测使用回归 这是一个使用波士顿住房数据集的预测房价的应用机器学习项目。 文件夹“笔记本”包含文件linearRegression.ipynb,pymachineproject.ipynb,RandomForrestRegressor.ipynb。 这些Jupyter Notebook文件包含预处理后在波士顿房屋数据集上分别用于训练,评估和最终测试机器学习模型“线性回归”,“ XGBoost回归”,“ Randomforrest回归”所需的全部代码。 File app.py包
  3. 所属分类:其它

    • 发布日期:2021-02-12
    • 文件大小:962kb
    • 提供者:weixin_42140625
  1. 住房数据回归-源码

  2. 住房数据回归
  3. 所属分类:其它

    • 发布日期:2021-02-10
    • 文件大小:502kb
    • 提供者:weixin_42181319
  1. airbnKEY:这个顶点项目旨在利用机器学习来预测在Airbnb上出租的房间的盈利能力-源码

  2. airbnKEY 保密说明 该项目是与Loftium( )合作进行的。 由于数据和建模方法的机密性,该存储库中仅公开提供一部分信息。 如果您是招募人员,需要完全访问该项目或产品演示以进行评估,请给我发送询问: 。 项目描述 在许多城市地区,住房负担能力仍然是主要挑战。 随着房价继续超过工资增长,准购房者实现美国梦变得越来越困难。 幸运的是,房主现在可以选择在其新房中使用Airbnb备用房间来帮助支付抵押贷款。 该项目旨在估算房主可从房屋中获得的美元收益。 储存库结构 app:flask
  3. 所属分类:其它

  1. 无服务器机器学习:使用无服务器框架和Python 3将scikit,spaCy和Keras(TensorFlow)机器学习模型部署到AWS Lambda的示例-源码

  2. 无服务器机器学习 使用Serverless框架和Python 3将机器学习模型部署到AWS Lambda的示例。此存储库是上述地址上在线课程的代码库。 内容 你好世界 Hello World示例,其中包含使用Serverless创建项目并以Python部署到AWS Lambda的示例。 scikit示例 一个无服务器项目的示例,其中包含来自在加利福尼亚住房数据集上受过训练的scikit-learn的机器学习回归模型。 spacy-example 一个无服务器项目的示例,该示例使用spaCy N
  3. 所属分类:其它

    • 发布日期:2021-02-04
    • 文件大小:13mb
    • 提供者:weixin_42120541
  1. ngboost:用于概率预测的自然梯度增强-源码

  2. NGBoost:用于概率预测的自然梯度提升 ngboost是一个Python库,实现了“自然梯度增强”,如。 它建立在,旨在针对适当的评分规则,分布和基础学习者的选择进行扩展和模块化。 在此可以对NGBoost的基本方法进行详尽的介绍。 安装 via pip pip install --upgrade ngboost via conda-forge conda install -c conda-forge ngboost 用法 波士顿住房数据集上的概率回归示例: from ngboost i
  3. 所属分类:其它

  1. Predict-California-Housing-Prices-:欢迎使用我的第一本笔记本!-源码

  2. 预测加州住房价格 回归问题 这是我的第一本笔记本,我尝试在其中实施所学知识。 我运行了九种不同的算法,将它们与不同指标的性能进行比较,以获取捕获数据信号并做出预测的最佳模型。此外,本笔记本还简要介绍了所有算法和指标用过的其他东西。 这是“使用Scikit学习和Tensorflow进行机器学习动手”教科书中练习的一部分 贡献者 哈斯娜·塔里比
  3. 所属分类:其它

    • 发布日期:2021-03-30
    • 文件大小:884kb
    • 提供者:weixin_42102220