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. Titanic_prediction:泰坦尼克号数据集模型预测，使用在Flask制成的EC2上部署的Logistic回归-源码

  2. 泰坦尼克号 使用部署在Flask前端的EC2上部署的逻辑回归进行泰坦尼克数据集模型预测EC2实例的链接： : :

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：161792
    • 提供者：weixin_42166623

  1. Top-4-pct_Titanic_Kaggle:泰坦尼克号的前4％，这是Kaggle的标志性入门级比赛-源码

  2. Top-4-pct_Titanic_Kaggle `` Kaggle的标志性入门级比赛）在2020/05年排名前4％（833/22219）。 该分析是使用R进行的。 大纲 排行 数据集 脚步 重现Kaggle提供的训练数据的结果 公众排行榜在Kaggle上的排名和得分 细节6-1功能介绍6-2缺失值估算6-3特征工程6-4特征提取6-5选型 1.排名 2.数据集 此处的泰坦尼克号数据集是在2020/05年从Kaggle检索的。 请注意，泰坦尼克号数据集现已更改，因此我在泰坦尼克号中的前4％排名

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：262144
    • 提供者：weixin_42118770

  1. machine_learning_projects::robot:机器学习项目-源码

  2. 机器学习项目 该存储库包含我在第一周完成的数据科学项目。 这些项目涵盖数据分析和可视化，功能工程，不同机器学习模型（随机森林，线性回归，决策树，朴素贝叶斯，ARIMA）的应用，超参数优化和正则化，自然语言处理和时间序列分析。 Gapminder-可视数据分析 数据： 目标：创建动画散点图 描述性统计，使用Matplotlib和Seaborn进行绘图 泰坦尼克号-分类项目 数据： 目标：应用机器学习模型预测泰坦尼克号上的乘客生存 探索泰坦尼克号数据集并建立基线模型 训练逻辑回归和随机森林分类

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：6291456
    • 提供者：weixin_42101720

  1. Top_4_pct_Titanic_Kaggle:泰坦尼克号的前4％，这是Kaggle的标志性入门级比赛-源码

  2. Top_4_pct_Titanic_Kaggle 2020/05年，在Kaggle的标志性入门级比赛“排名前4％（833/22219）。 该分析是使用R进行的。 大纲 排行 数据集 脚步 重现Kaggle提供的训练数据的结果 公众排行榜在Kaggle上的排名和得分 细节* 6-1功能介绍* 6-2缺失值估算* 6-3功能转换* 6-4特征选择/特征提取* 6-5选型 1.排名 2.数据集 此处的泰坦尼克号数据集是在2020/05年从Kaggle检索的。 请注意，泰坦尼克号数据集现已更改，因此我

  3. 所属分类：其它

    • 发布日期：2021-03-14
    • 文件大小：262144
    • 提供者：weixin_42097508

  1. DatascienceTitanicRepo-源码

  2. 泰坦尼克号数据集的数据科学仓库 步骤1：数据理解（来自Kaggle的Titanic DataSet）步骤2：数据清理和数据预处理

  3. 所属分类：其它

    • 发布日期：2021-03-14
    • 文件大小：4096
    • 提供者：weixin_42102713

  1. 泰坦尼克号：使用stan分析泰坦尼克号数据-源码

  2. 泰坦尼克号：使用stan分析泰坦尼克号数据

  3. 所属分类：其它

    • 发布日期：2021-03-04
    • 文件大小：1048576
    • 提供者：weixin_42136837

  1. 朴素贝叶斯分类-源码

  2. 朴素贝叶斯分类 这是泰坦尼克号数据集（5行数据集）的高斯分类方法。 该模型的准确性为62.228％。 通过在我们的分析中使用更多功能，可以提高准确性。

  3. 所属分类：其它

    • 发布日期：2021-02-16
    • 文件大小：36864
    • 提供者：weixin_42172972

  1. 决策树和随机森林：在泰坦尼克号和垃圾邮件数据集上进行决策树和随机森林分类的​​实现-源码

  2. 决策树和随机森林 垃圾邮件和泰坦尼克号数据集的分类器。 只需从上到下运行提供的iPython Notebook，确保数据集位于同一目录中。 将CSV文件输出到当前目录。

  3. 所属分类：其它

    • 发布日期：2021-02-15
    • 文件大小：125952
    • 提供者：weixin_42113456

  1. 泰坦尼克号数据-源码

  2. 泰坦尼克号数据 简要总结 总体而言，这是一项令人愉快的任务，它无疑使我了解了更多有关React和泰坦尼克号上的人员的知识。 我认为我们能够提升历史数据并将其以新颖和有意义的方式呈现给世界，真是令人着迷。 我如何完成任务（按时间顺序） 表标题 在研究了每个属性的含义，我决定了标题应该是什么。 WHO id（每个好的数据库至少具有一个唯一属性） 姓 姓 性别 哪里 从出发 机票舱位 机票票价舱位 发生了什么幸存下来？ 这样我可以让桌子讲一个故事。 后端结构 我将获取数据归结为两个步骤：

  3. 所属分类：其它

    • 发布日期：2021-02-15
    • 文件大小：163840
    • 提供者：weixin_42116681

  1. Titanic_Survival_Prediction：来自Kaggle灾难竞赛的Titanic机器学习笔记本-源码

  2. 预测泰坦尼克号的生存 这是我参加Kaggle竞赛的笔记本，《泰坦尼克号的机器学习从灾难》。 该笔记本的目的是从泰坦尼克号数据集中探索有趣的事物，并建立一个预测模型，以说明乘客在泰坦尼克号沉船事故中幸存下来。 比赛网站： : 目录 加载并检查数据 数据清理 探索性数据分析 特征工程 转换数据格式 造型

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：293888
    • 提供者：weixin_42136826

  1. 泰坦尼克号：我的第一个数据科学项目-源码

  2. 泰坦尼克号 泰坦尼克号数据科学项目 项目组织 ├── LICENSE ├── Makefile <- Makefile with commands like `make data` or `make train` ├── README.md <- The top-level README for developers using this project. ├── data │   ├── external <- Data fr

  3. 所属分类：其它

    • 发布日期：2021-02-11
    • 文件大小：18432
    • 提供者：weixin_42131633

  1. 泰坦尼克号数据集处理-源码

  2. 泰坦尼克号数据集处理

  3. 所属分类：其它

    • 发布日期：2021-02-10
    • 文件大小：52224
    • 提供者：weixin_42122988

  1. sweetviz：使用一行代码可视化和比较数据集，目标值和关联-源码

  2. 两行代码进行了深入的EDA （目标分析，比较，特征分析，关联） ！ Sweetviz是一个开放源代码Python库，它仅用两行代码即可生成精美的高密度可视化文件，以启动EDA（探索性数据分析）。 输出是一个完全独立HTML应用程序。 该系统围绕快速可视化目标值和比较数据集而构建。 其目标是帮助快速分析目标特征，训练与测试数据以及其他此类数据表征任务。 用法和参数如下所述， 。 Sweetviz开发仍在进行中！ 如果您遇到任何数据，兼容性或安装问题，请告诉我！ 感谢您，并且欢迎您使用有关使

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：15728640
    • 提供者：weixin_42170790

  1. data_science_foundation-源码

  2. 数据科学基金会 数据科学基金会和Eric Moon项目的存储库 日期 内容 档案文件 小时 3/22 1.设置（Git，Kaggle等） 2. Python基础知识-if，for，while循环等 90 3/28 1. Python基础知识复习2. Git工作流程（拉请求等） 2. Kaggle Dataset Titanic EDA 3.熊猫基础知识-系列，数据框，索引，表，聚合，分组依据 120 3/31 1.熊猫基础知识-系列，数据框，索引，表，聚合，分组依据2.数据可视化-

  3. 所属分类：其它

    • 发布日期：2021-04-01
    • 文件大小：111616
    • 提供者：weixin_42143221

  1. Applied-ML-Algorithms:一个采用泰坦尼克号数据集并在scikit-learn和超参数调整中使用不同ML模型的ML项目-源码

  2. 应用ML算法 链接：《 在新标签中打开） 客观的： 从获取数据集，并使用各种机器学习模型来获得具有最高预测精度的最佳模型。 通过浏览和清理来数据集。 有关何时使用每种模型的方案。 学习机器学习模型的实际应用，例如： 线性回归 微调每个模型的超参数以提高准确性： 学习率 决策树深度 决策树的num_estimators 正则化参数C 核心 激活功能 hidden_​​layer_size 以及更多... 通过在测试数据集上测试每个模型并评估彼此的得分来选择最佳模型。 结果：

  3. 所属分类：其它

    • 发布日期：2021-03-27
    • 文件大小：640000
    • 提供者：weixin_42097967