Kaggle Titanic 竞赛

逻辑回归在泰坦尼克之灾的应用入门
最新推荐文章于 2024-01-19 16:37:56 发布
转载 最新推荐文章于 2024-01-19 16:37:56 发布 · 302 阅读 · 0

这是一篇逻辑回归应用的入门教程，以Kaggle泰坦尼克之灾为例展开讲解，是学习逻辑回归应用的优质资料。
泰坦尼克—逻辑回归
zpxcod007的博客
04-16 5290
趁着周末比较闲，做一个几乎所有人都会做的入坑项目——大名鼎鼎的Kaggle泰坦尼克。数据地址我就不放了，Kaggle上自己翻吧。数据包括：PassengerId => 乘客IDSurvive => 乘客是否生还（仅在训练集中有，测试集中没有）Pclass => 乘客等级(1/2/3等舱位)Name => 乘客姓名Sex => 性别Age => 年龄SibSp =...
R语言 logistic regression model预测泰坦尼克号生还情况
stashbllog
11-16 9082
昨天data mining的作业是使用logistics regression model和SVM model预测泰坦尼克号生还情况。设计到了logistics regression model， confusion matrix的画法，ROC curve and AUC。实验数据数据网址：http://biostat.mc.vanderbilt.edu/wiki/Main/Da
R语言——kaggle比赛Titanic代码汇总
07-07
kaggle比赛Titanic的R教程一和三（决策树、随机森林和logistics模型）；利用薛毅《统计建模与R软件》书中判别分析章节中的距离判别、贝叶斯判别和Fisher判别函数实习的模型预测
kaggle数据挖掘竞赛初步--Titanic<数据变换>
dichuqi8803的博客
03-20 422
完整代码：https://github.com/cindycindyhi/kaggle-Titanic 特征工程系列： Titanic系列之原始数据分析和数据处理 Titanic系列之数据变换 Titanic系列之派生属性&维归约 缺失值填充之后，就要对其他格式有问题的属性进行处理了。比如Sex Embarked这些属性的值都是字符串类型的，而scikit learn...
kaggle Titanic 简单逻辑回归模型
xiaoling_000666的博客
04-18 493
参考文章点击打开链接首先读取很多很多包和数据#-*-coding:utf-8-*- import pandas as pd import numpy as np from sklearn import preprocessing from sklearn.linear_model import LogisticRegression from sklearn.model_selection impo...
Kaggle Titanic竞赛：如何获得0.8的评分
标题“Obtendo-uma-Pontua-o-de-08-na-Competi-o-KAGGLE-TITANIC”表明本文档将围绕着在KAGGLE的Titanic竞赛中获得0.8分（八十分）的方法进行探讨。这暗示了文档将专注于数据科学和机器学习，尤其是与KAGGLE平台的...
【Pytorch】我在kaggle Titanic竞赛上的整个流程记录
SY的博客
09-03 1396
前言 第一次尝试在kaggle上找机器学习（ML）项目练手，Titanic问题是官方的入门项目，在此做一个记录。 kaggle官网：https://www.kaggle.com/ 加入竞赛 进入官网之后左边那一栏的compete表示ML竞赛项目，点击某项竞赛后会有项目说明（Overview），数据集（Data）以及其他人对此项目的一些讨论（Notebooks、Discussion），点击join compete即可加入此竞赛。接下来要做的事就是使用数据集完成Overview中说明的任务，并将模型在测试集上
Kaggle Titanic竞赛：数据探索与预处理
"这篇资源是关于Kaggle竞赛中Titanic问题的机器学习流程分析，目标是进入前30%的排名。项目链接在Kaggle竞赛页面和GitHub上提供，作者进行了数据探索和初步处理，以理解特征与生存率之间的关系。" 在这个Kaggle的...
Kaggle竞赛系列_Titanic比赛
m0_62895602的博客
01-19 893
本菜鸡第一次尝试此类比赛，踩了很多坑，也有很多地方还可以改进，最终得分也只有0.76，如果您愿意分享您宝贵的经验和知识，我将不胜感激。“Titanic - Machine Learning from Disaster” 是 Kaggle 平台上的一个知名比赛，参与者需使用机器学习模型预测哪些乘客在泰坦尼克号沉船事故中幸存。比赛提供了包含各种特征的乘客数据，如性别、年龄、舱位等。参赛作品将根据预测幸存结果的准确性进行评估。
数据分析之Kaggle Titanic竞赛——第二章：数据清洗及特征处理、数据重构、可视化
Jelly's Blog
08-21 2042
动手学数据分析——第二章：数据清洗及特征处理、数据重构、可视化0. 前言1. 数据清洗及特征处理1.1 缺失值缺失值观察与处理2. 数据重构3. 数据可视化 0. 前言 前面一章的内容大家可以感觉到我们主要是对基础知识做一个梳理，让大家了解数据分析的一些操作，主要做了数据的各个角度的观察。那么在这里，我们主要是做数据分析的流程性学习，主要是包括了数据清洗以及数据的特征处理，数据重构以及数据可视化。这些内容是为数据分析最后的建模和模型评价做一个铺垫。 1. 数据清洗及特征处理 我们拿到的数据通常是不干净的，所
R语言学习：泰坦尼克号生存预测
zxymvp的博客
02-23 7230
将一部分泰坦尼克号上的乘客数据（包括是否生还）作为训练集，对测试集中的的乘客生还情况进行预测。 导入所用的包 library(randomForest) library(dplyr) library(ggplot2) library(mice) 导入数据 从csv中分别导入训练集和测试集数据 train = read.csv("train.csv",header = T,string...
kaggle：泰坦尼克生存预测（ R语言机器学习分类算法）
larrino的博客
06-14 7759
    本文在基本的多元统计分析技术理论基础上，结合机器学习基本模型，选择Kaggle（数据建模竞赛网站）的入门赛——Titanic生存预测作为实战演练，较为完整地呈现了数据建模的基本流程和思路。采用的模型有逻辑回归，决策树，SVM支持向量机以及进阶的集成学习方法——Boosting和RandomForest。 在建立模型后基于混淆矩阵的模型评估方法给出了Titanic生存预测的基本结论。 该数...
kaggle入门titanic分析
Quentin_he的博客
07-27 924
人人皆知的kaggle泰坦尼克号灾难分析，入门机器学习的一个很好的案例，在学完python后也试着做了一下分析。按照数据认知——数据探索性可视化分析——数据特征处理——模型建立——输出结果 一、数据认知 首先是导入数据，查看数据情况： -- coding:utf-8 -- import pandas as pd import numpy as np from pylab import * from...
逻辑回归实战 — Kaggle_Titanic 2
u012841922的博客
12-13 1846
数据来源：https://www.kaggle.com/c/titanic Training import pandas as pd import matplotlib.pyplot as plt import numpy as np %matplotlib inline train_data = pd.read_csv('train.csv') count_survivors = pd.value_counts(train_data['Survived']) count_survivors.plot(
机器学习系列(3)_逻辑回归应用之Kaggle泰坦尼克之灾
iteye_2022的博客
11-12 5761
作者： 寒小阳 &amp;&amp;龙心尘 时间：2015年11月。 出处：http://blog.youkuaiyun.com/han_xiaoyang/article/details/49797143 声明：版权所有，转载请注明出处，谢谢。 1.引言 先说一句，年末双十一什么的一来，真是非(mang)常(cheng)欢(gou)乐(le)！然后push自己抽出时间来写这篇blog的原因也非...
备考规划考研复习全周期管理策略：论文重点突破与高并发项目实践结合方案设计
最新发布
12-07
内容概要：本文围绕一场重要考试的备考规划展开，详细列出了复习资料（如视频、脑图、红宝书）、学习方法（看视频2-3遍、夯实基础）、重点任务（细看论文视频、专注近2年真题）以及阶段性
数据基于进化k均值聚类和溶解气体子集分析的混合DGA方法，用于电力变压器故障诊断
12-07
【数据】基于进化k均值聚类和溶解气体子集分析的混合DGA方法，用于电力变压器故障诊断
3HAC035753-002_rev00.pdf
12-07
3HAC035753-002_rev00
十种智能优化算法优化RBF神经网络多输入单输出回归MATLAB完整代码和数据
12-07
MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型，其核心是通过智能优化算法自动寻找最优的RBF扩展参数（spread），以提升预测精度。 1.主要功能 多算法优化RBF网络：使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测：对输入特征进行回归预测，适用于连续值输出问题。 性能对比：对比不同优化算法在训练集和测试集上的预测性能，绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备：导入数据，随机打乱，划分训练集和测试集（默认7:3）。 数据归一化：使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模：使用固定spread=100建立基准RBF模型。 智能优化循环： 调用优化算法（从指定文件夹中读取算法文件）优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果，保存性能指标。 结果可视化： 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标（MAE、RMSE、MAPE、MBE）柱状图。 十种智能优化算法分别是： GWO：灰狼算法 HBA：蜜獾算法 IAO：改进天鹰优化算法，改进①：Tent混沌映射种群初始化，改进②：自适应权重 MFO：飞蛾扑火算法 MPA：海洋捕食者算法 NGO：北方苍鹰算法 OOA：鱼鹰优化算法 RTH：红尾鹰算法 WOA：鲸鱼算法 ZOA：斑马算法
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值