您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. 线性回归使用数据.csv

  2. 数据为某公司三种销售渠道的广告投入和最终销售量,可以用于简单的线性回归分析和机器学习中的线性回归分析。
  3. 所属分类:机器学习

    • 发布日期:2020-10-22
    • 文件大小:2kb
    • 提供者:ryo007gnnu
  1. 多元线性回归及其算法实现(梯度下降法)

  2. 上一篇文章讲述了梯度下降法的数学思想,趁热打铁,这篇博客笔者将使用梯度下降法完成多元线性回归,话不多说,直接开始。 我们假设我们的目标函数是长这样的: import numpy as np import pandas as pd # 读入数据 data = pd.read_csv('D:/Advertising.csv') # 学习率alpha lr = 0.00001 # 参数 theta0 = 0 theta1 = 0 theta2 = 0 theta3 = 0 # 最大迭代次数 epo
  3. 所属分类:其它

    • 发布日期:2021-01-07
    • 文件大小:53kb
    • 提供者:weixin_38609089
  1. 线回与非线回—梯度下降法的一元线性回归

  2. 前言: 对于线性回归问题,通常有两种方法可以解决,即梯度下降法和标准方程法,两者各有优缺点 梯度下降法对于参数多的回归方程仍然适用,但并不是每次都能达到最优解,神经网络也需要梯度下降法来解决 标准方程法适用于参数少的回归方程,但是时间复杂度较高 正文: 首先来看一下梯度下降法的代码 import numpy as np import matplotlib.pyplot as plt #这两个数据库是经常在机器学习中使用的,numpy通常用于科学计算等 #matplotlib是画图工具,简写为np
  3. 所属分类:其它

    • 发布日期:2021-01-07
    • 文件大小:98kb
    • 提供者:weixin_38730977
  1. dsc-dealing-with-categorical-variables-sea01-dtsc-ft-051120-源码

  2. 处理分类变量 介绍 您现在已经了解了多元线性回归背后的直觉。伟大的!但是,由于您将开始挖掘具有更多预测变量的更大数据集,因此您会遇到与以前所见略有不同的预测变量。欢迎来到分类变量奇妙的世界! 目标 你将能够: 确定变量是分类变量还是连续变量 描述为什么需要虚拟变量 使用一种热编码来创建虚拟变量 自动mpg数据 在本节中,您将看到使用auto-mpg数据集为多元线性回归准备数据的几个元素,该数据集包含汽车的技术规格。有抱负的数据科学家经常使用此数据集,他们希望使用多个预测变量进行线性回归。通常,
  3. 所属分类:其它

    • 发布日期:2021-03-21
    • 文件大小:195kb
    • 提供者:weixin_42144366
  1. dsc-dealing-with-categorical-variables-online-ds-ft-090919-源码

  2. 处理分类变量 介绍 您现在已经了解了多元线性回归背后的直觉。伟大的!但是,由于您将开始挖掘具有更多预测变量的更大数据集,因此您会遇到与以前所见略有不同的预测变量。欢迎来到分类变量奇妙的世界! 目标 你将能够: 确定变量是分类变量还是连续变量 描述为什么需要虚拟变量 使用一种热编码来创建虚拟变量 自动mpg数据 在本节中,您将看到使用auto-mpg数据集为多元线性回归准备数据的几个元素,该数据集包含汽车的技术规格。有抱负的数据科学家经常使用此数据集,他们希望使用多个预测变量进行线性回归。通常,
  3. 所属分类:其它

    • 发布日期:2021-03-21
    • 文件大小:195kb
    • 提供者:weixin_42099070
  1. notes_galvanize-源码

  2. notes_galvanize 库供参考 import os import itertools import numpy as np import pandas as pd import matplotlib.pyplot as plt import statsmodels.api as sm 总是让它漂亮。 plt.style.use('ggplot') 方差vs偏差 高方差意味着您的模型对所使用的训练数据非常敏感 偏差是y的期望值(对不可消除的误差进行平均)与模型的预期预测之间的差(也就是
  3. 所属分类:其它

  1. COGS-109-Modeling-and-Data-Analysis:利用多元线性回归和聚类的最终项目-源码

  2. COGS-109建模和数据分析 该项目使用线性回归和K均值聚类对饮食习惯数据集进行分析,该数据集包含确定肥胖的变量。 研究重点: 使用探索性线性回归和聚类,我们旨在检查数据集中的几个属性,以发现哪些是预测个体体重的最佳指标。数据集信息: 该数据集包含从墨西哥,秘鲁和哥伦比亚的个人收集的数据。该数据可用于根据饮食习惯和身体状况估算肥胖水平。有2111个实例和17个不同的属性。此外,使用体重不足,正常体重,I级超重,II级超重,I型肥胖,II型肥胖和III型肥胖的值对数据进行分类。笔记: 主要报告可
  3. 所属分类:其它

  1. Crime_Watcher-源码

  2. 明尼阿波利斯犯罪观察员申请 概述 该应用程序使用机器学习来回答问题“我在明尼阿波利斯的这个位置有多安全?”。 在访问应用程序 通过使用一种算法,将最近报告的明尼阿波利斯犯罪记录转换为500个分区中每个分区的危险评分(通过聚类创建),线性回归模型可计算出用户所在位置的当前危险等级。 该应用程序还将在地图上显示用户的位置以及该地区最近报告的犯罪。 数据源 犯罪数据来自 ,过去所有警察事件都在这里举办。 前一天的事件是在每天的中部时间上午9:30添加的。 犯罪严重程度来自。 工具和语言 Python
  3. 所属分类:其它

  1. DataInsights:你好,欢迎来到这个仓库。 此回购包含使用python作为编程语言的数据科学和业务分析方面的某些项目-源码

  2. 数据洞察 你好,欢迎来到这个仓库。 此回购包含使用python作为编程语言的数据科学和业务分析方面的某些项目。 问题陈述 : 根据编号预测学生的百分比学习时间。 这是一个简单的线性回归任务,因为它仅涉及2个变量。 您可以使用R,Python,SAS Enterprise Miner或任何其他工具。 如果学生每天学习9.25小时,预计得分是多少? 这是数据集: 解决方案: 演示: 问题陈述: 从给定的“虹膜”数据集中,预测最佳聚类数并直观地表示出来。 使用R或Pyth
  3. 所属分类:其它

  1. salary-prediction:使用Flask Web框架部署线性回归模型-源码

  2. 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HT
  3. 所属分类:其它

  1. Medical Cost Personal Datasets 医疗费用个人数据集-数据集

  2. 使用线性回归的保险预测医疗费用个人数据集 insurance.csv
  3. 所属分类:其它

    • 发布日期:2021-03-04
    • 文件大小:16kb
    • 提供者:weixin_38742954
  1. dsc处理分类变量伦敦ds-111819-源码

  2. 处理分类变量 介绍 您现在已经了解了多元线性回归背后的直觉。 伟大的! 但是,由于您将开始挖掘具有更多预测变量的更大数据集,因此您会遇到与以前所见略有不同的预测变量。 欢迎来到分类变量奇妙的世界! 目标 你将能够: 确定变量是分类变量还是连续变量 描述为什么需要虚拟变量 使用一种热编码来创建虚拟变量 自动mpg数据 在本节中,您将看到使用auto-mpg数据集为多元线性回归准备数据的几个元素,该数据集包含汽车的技术规格。 有抱负的数据科学家经常使用此数据集,他们希望使用多个预测变量进行线性回归
  3. 所属分类:其它

    • 发布日期:2021-03-03
    • 文件大小:194kb
    • 提供者:weixin_42133753
  1. 带有分类变量的DSC交易代码ONL01-DTSC-FT-012120-源码

  2. 处理分类变量 介绍 您现在已经了解了多元线性回归背后的直觉。 伟大的! 但是,由于您将开始挖掘具有更多预测变量的更大数据集,因此您会遇到与以前所见略有不同的预测变量。 欢迎来到分类变量奇妙的世界! 目标 你将能够: 确定变量是分类变量还是连续变量 描述为什么需要虚拟变量 使用一种热编码来创建虚拟变量 自动mpg数据 在本节中,您将看到使用auto-mpg数据集为多元线性回归准备数据的几个元素,该数据集包含汽车的技术规格。 有抱负的数据科学家经常使用此数据集,他们希望使用多个预测变量进行线性回归
  3. 所属分类:其它

    • 发布日期:2021-03-03
    • 文件大小:195kb
    • 提供者:weixin_42098759
  1. dsc处理分类变量dc-ds-82619-源码

  2. 处理分类变量 介绍 您现在已经了解了多元线性回归背后的直觉。 伟大的! 但是,由于您将开始挖掘具有更多预测变量的更大数据集,因此您会遇到与以前所见略有不同的预测变量。 欢迎来到分类变量奇妙的世界! 目标 你将能够: 确定变量是分类变量还是连续变量 描述为什么需要虚拟变量 使用一种热编码来创建虚拟变量 自动mpg数据 在本节中,您将看到使用auto-mpg数据集为多元线性回归准备数据的几个元素,该数据集包含汽车的技术规格。 有抱负的数据科学家经常使用此数据集,他们希望使用多个预测变量进行线性回归
  3. 所属分类:其它

    • 发布日期:2021-03-03
    • 文件大小:194kb
    • 提供者:weixin_42177768
  1. dsc处理分类变量dc-ds-060319-源码

  2. 处理分类变量 介绍 您现在已经了解了多元线性回归背后的直觉。 伟大的! 但是,由于您将开始挖掘具有更多预测变量的更大数据集,因此您会遇到与以前所见略有不同的预测变量。 欢迎来到分类变量奇妙的世界! 目标 你将能够: 确定变量是分类变量还是连续变量 描述为什么需要虚拟变量 使用一种热编码来创建虚拟变量 自动mpg数据 在本节中,您将看到使用auto-mpg数据集为多元线性回归准备数据的几个元素,该数据集包含汽车的技术规格。 有抱负的数据科学家经常使用此数据集,他们希望使用多个预测变量进行线性回归
  3. 所属分类:其它

    • 发布日期:2021-03-02
    • 文件大小:194kb
    • 提供者:weixin_42105169
  1. 预测股票市场价格:预测股票市场价格-线性回归与随机森林-源码

  2. 预测股票市场价格 预测股票价格-线性回归vs随机森林对于这个项目,我使用了包含指数价格的csv文件。 文件中的每一行都包含1950年至2015年间S&P500指数价格的每日记录。数据集存储在sphist.csv中。 数据集的列为: 日期-记录的日期。 开盘价-当日(交易开始时)的开盘价。 高-白天的最高交易价格。 低-白天的最低交易价格。 收盘价-当日(交易完成时)的收盘价。 交易量-交易的股票数量。 收市价调整-每日收市价,追溯调整以包括任何公司行为。 在这里阅读更多。 我将使用该数据集
  3. 所属分类:其它

    • 发布日期:2021-02-20
    • 文件大小:298kb
    • 提供者:weixin_42164685
  1. Fundamentals_of_Data_Analysis-Project:HDip Data Analytics 2020-2021中数据分析基础知识的项目-源码

  2. 基础知识_数据分析项目 HDip Data Analytics 2020-2021中数据分析基础知识项目 这是一个研究项目,使用简单的线性回归将一条线拟合到数据集并提供分析。 数据集包含风速值和产生的相应风力发电机功率。 这些将被绘制并查看它们之间的关系。 所有代码都是用Python编写的,并存储在一个Jupyter Notebook中,应与Jupyter一起运行。 数据集保存在powerproduction.csv中 项目说明: 在这个项目中,您必须使用Python对Moodle上的pow
  3. 所属分类:其它

    • 发布日期:2021-02-14
    • 文件大小:200kb
    • 提供者:weixin_42110362
  1. NYTaxi_XG_Boost_Challenge-kaggle_challenge:我正在尝试NYC出租车持续时间预测Kaggle挑战。 我将结合使用Pandas,Matplotlib和XGBoost作为python库,以帮助我理解和分析

  2. Nyc-Taxi-Kaggle-挑战 目标 Kaggle竞赛预测纽约出租车的行驶时间。 该项目的报告在capstone.pdf。 (在这个项目中,我提供了许多链接,如果您是初学者,可以通过这些链接来弄清楚您的概念,如果不理解的话,可以通过project和readme中提供的链接和pdf来了解。) 问题陈述 在本报告中,我们使用来自纽约市出租车和高级轿车委员会的数据来考察Kaggle竞赛,该竞赛要求竞争对手预测纽约市出租车旅行的总行驶时间(trip_duration)。 Kaggle提供的数据是作
  3. 所属分类:其它

    • 发布日期:2021-02-03
    • 文件大小:23mb
    • 提供者:weixin_42151305
  1. google.csv

  2. 机器学习第六课,使用线性回归预测未来30天 Google 股票的收盘价走势,表格中的列代表每天的股票指数,如:Open 开盘价、High 最高价、Low 最低价、Volume 成交量。Adj. Open、Adj. High、Adj. Low、Adj. Close、Adj. Volume 代表调整后的数据
  3. 所属分类:机器学习

    • 发布日期:2021-01-15
    • 文件大小:427kb
    • 提供者:qq_40943760
  1. pandashells:将python数据栈带到shell提示符-源码

  2. 熊猫壳 介绍 数十年来,系统管理员,开发人员工程师和数据分析人员一直在grep,awk,sed等unix工具之间传递文本数据。将这些工具链接在一起可提供极其强大的工作流程。 “数据科学家”的最新出现导致R,Pandas,IPython等工具的日益普及。这些工具具有惊人的强大功能,可以以grep,awk,sed的方式转换,分析和可视化数据集,甚至可怕的perl-one-liner也永远无法实现。 Pandashells试图将Shell管道的表达,简洁的工作流程与python数据栈的统计和可视化
  3. 所属分类:其它

    • 发布日期:2021-04-01
    • 文件大小:412kb
    • 提供者:weixin_42162171
« 12 »