注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. House-Prices-Challenge-Solution:我对Kaggle房价挑战的解决方案-源码

  2. 预测房价 这个仓库是什么？ 作为即将到来的机器学习工程师，我挑战自我以测试自己的机器学习技能。 我通过应对的向自己。 这项挑战的目标是根据一组给定的功能预测爱荷华州埃姆斯的房屋价格。 确切地说，总共有79个功能。 该项目使工程师（在本例中为我本人）可以练习关键的数据科学和机器学习技术。 该存储库通过4个文件夹进行组织：提交，数据，代码和模型。 在“提交”文件夹中，您将看到我所做的各种提交。 在“数据”文件夹中，您将找到必要的数据集以及任何其他必要的信息。 在“代码”文件夹中，您将看到该项目的

  3. 所属分类：其它

  1. Predicting-House-Prices:线性回归使用Turicreate预测房价-源码

  2. 预测房屋价格 使用Turicreate进行线性回归以预测房价。 在这里，我们可以使用graphlab或turicreate框架。 Turi Create简化了自定义机器学习模型的开发。 您无需成为机器学习专家即可向您的应用添加建议，对象检测，图像分类，图像相似度或活动分类。 因此，我们在这里使用Turicrete。 在本笔记本中，我们将使用金县的房屋销售数据，通过简单的（一次输入）线性回归来预测房价。 使用graphlab SArray和SFrame函数计算重要的摘要统计信息 编写函数以使用

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：43mb
    • 提供者：weixin_42110469

  1. house-prices:房屋价格（Python）-源码

  2. 房屋价格 房屋价格（Python） 在这个项目中，我将使用Kaggle的房价数据集来开发预测模型。 目的是演示数据科学项目生命周期的四个步骤：定义，发现，开发和部署。 我将建立一些监督的机器学习模型并评估其性能。 工作正在进行中...

  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. house-prices:房价预测-源码

  2. 房屋价格 房价预测

  3. 所属分类：其它

    • 发布日期：2021-03-06
    • 文件大小：471kb
    • 提供者：weixin_42181693

  1. data-science-house-prices：数据科学项目：房价-源码

  2. 数据科学项目：房价 该存储库实施了数据科学和机器学习项目，该项目已应用于Kaggle竞争 的房屋价格数据集。 在此存储库中，您将找到： requirements.txt：您需要使用pip安装的软件包 raw_data.csv：我们在该项目上使用的原始数据 探索性数据分析-House-Prices.ipynb：具有探索性数据分析功能的Jupyter笔记本 data_cleaning.py：用于清理数据的脚本 train_model.py：使用清理后的数据训练机器学习模型的脚本 预报.py：具有

  3. 所属分类：其它

    • 发布日期：2021-02-17
    • 文件大小：351kb
    • 提供者：weixin_42177768

  1. Boston-house-prices-prediction-model-源码

  2. 波士顿房价预测模型

  3. 所属分类：其它

  1. Predict-house-prices-ML:机器学习预测房价-源码

  2. Predict-house-prices-ML:机器学习预测房价

  3. 所属分类：其它

  1. Capstone-Project-2-Predicting-House-Prices-CA-Bay-Area:预测加利福尼亚州的房价-湾区-源码

  2. ing预测加利福尼亚-湾区的房价 ✰目标：考虑到不同的房屋和邮政编码功能集，使用多种机器学习算法预测房价： 主要数据集：来源 ： 从2019年12月至2020年12月获得已售房屋。 位于北加利福尼亚的出售房屋分布在49个城市和94个邮政编码之间。 数据包含8,790个观测值和27个变量。 :glowing_star: :glowing_star: :glowing_star: :glowing_star:添加更多数据集以增强我们的预测 :glowing_star: :glowing_

  3. 所属分类：其它

    • 发布日期：2021-03-20
    • 文件大小：14mb
    • 提供者：weixin_42110362