机器学习-项目实战
关注
分享
扫一扫
文章平均质量分 95
机器学习实战：Kaggle实战、天池工业蒸汽量项目实战、杀虫剂市场增长点分析挖掘项目实战
道友老李
提供工业机器视觉解决方案（涵盖光源、相机、镜头、结构、视觉技术等）和自研接近开关传感器（衰减系数1）产品，联系方式：18271933684（同vx）。
展开
-
【机器学习】实战：天池工业蒸汽量项目（四）模型融合
【代码】【机器学习】实战：天池工业蒸汽量项目（四）模型融合。原创 2025-01-16 05:00:00 · 14880 阅读 · 13 评论 -
【机器学习】实战：天池工业蒸汽量项目（三）模型预测
学习曲线计算# 训练数据得分和测试数据得分平均值与方差计算# 训练数据得分可视化# 测试数据得分可视化# 画图设置plt.grid() # 网格线设置plt.legend(loc="best") # 图例设置# 标题标签设置。原创 2025-01-15 05:00:00 · 14628 阅读 · 21 评论 -
【机器学习】实战：天池工业蒸汽量项目（二）特征工程
数据拆分：训练数据和验证数据return X,y# 提取训练和验证数据# 数据拆分：训练数据和验证数据# 提取预测数据# 参数drop = True，表示将原来的行索引，直接删除。原创 2025-01-15 05:00:00 · 15608 阅读 · 34 评论 -
【机器学习】实战：天池工业蒸汽量项目（一）数据探索
在工业环境中，蒸汽是一种非常常见的能源形式，被广泛应用于各种加热过程、发电以及其它工艺过程中。准确地预测蒸汽的需求量可以帮助企业优化其生产计划，提高能效，减少能源浪费，并降低运营成本。数据收集：从工业现场的传感器和其他数据源收集历史数据，包括但不限于温度、压力、流量等与蒸汽生成和消耗相关的参数。数据分析：对收集到的数据进行清洗、预处理，并通过统计分析或可视化工具来理解数据的特性。模型建立：使用机器学习算法或者深度学习技术构建预测模型，这些模型能够基于输入的历史数据预测未来的蒸汽需求量。原创 2025-01-14 05:00:00 · 14622 阅读 · 56 评论 -
【机器学习】实战：市场增长点分析挖掘项目（二）
依据之前的top100品牌数据,分析市场份额前三的商家:拜耳,科凌虫控,安速分析流程:1. 人群画像分析:三个品牌的人群特征基本一致(这里省略)2. 品类分布:依据各个商家产品类别和适用对象的分布,理解每个品牌的产品分布情况(横向发展还是纵向发展)3. 产品结构:依据波士顿矩阵,分析各品牌不同产品的结构特征,为产品发展策略提供依据4. 流量结构:通过流量结构和流量效果的对比,制定推广策略5. 产品舆情:优质产品维稳原创 2025-01-14 05:00:00 · 14623 阅读 · 20 评论 -
【机器学习】实战：市场增长点分析挖掘项目（一）
某电商产品数据分析流程。原创 2025-01-13 05:00:00 · 14207 阅读 · 25 评论 -
【机器学习】Kaggle实战Rossmann商店销售预测（项目背景、数据介绍/加载/合并、特征工程、构建模型、模型预测）
使用商店、促销和竞争对手数据预测销售Rossmann在欧洲国家经营着3000多家日化用品超市。目前，Rossmann商店经理的任务是提前6周预测他们的日销售额。商店的销售受到许多因素的影响，包括促销、竞争、学校和国家假日、季节性和地域性。由于数以千计的管理者根据自己的特殊情况预测销售，结果的准确性可能会有很大的差异。原创 2025-01-13 05:00:00 · 15405 阅读 · 50 评论 -
【机器学习】实战：XX用户购买意向预测（四）Xgboost建模
XX作为中国最大的自营式电商，在保持高速发展的同时，沉淀了数亿的忠实用户，积累了海量的真实数据。如何从历史数据中找出规律，去预测用户未来的购买需求，让最合适的商品遇见最需要的人，是机器学习应用在精准营销中的关键问题，也是所有电商平台在做智能化升级时所需要的核心技术。 以XX商城真实的用户、商品和行为数据（脱敏后）为基础，通过数据挖掘的技术和机器学习的算法，构建用户购买商品的预测模型，输出高潜用户和目标商品的匹配结果，为精准营销提供高质量的目标群体。原创 2024-12-25 05:00:00 · 18973 阅读 · 14 评论 -
【机器学习】实战：XX用户购买意向预测（二）数据探索
XX作为中国最大的自营式电商，在保持高速发展的同时，沉淀了数亿的忠实用户，积累了海量的真实数据。如何从历史数据中找出规律，去预测用户未来的购买需求，让最合适的商品遇见最需要的人，是机器学习应用在精准营销中的关键问题，也是所有电商平台在做智能化升级时所需要的核心技术。 以XX商城真实的用户、商品和行为数据（脱敏后）为基础，通过数据挖掘的技术和机器学习的算法，构建用户购买商品的预测模型，输出高潜用户和目标商品的匹配结果，为精准营销提供高质量的目标群体。原创 2024-12-24 05:00:00 · 19751 阅读 · 63 评论 -
【机器学习】实战：汽车产品聚类
聚类算法（Clustering Algorithms）是一类无监督学习方法，旨在根据数据点之间的相似性将它们分组为多个簇（clusters），使得同一簇内的数据尽可能相似，而不同簇之间的数据尽可能相异。聚类分析广泛应用于市场细分、社交网络分析、图像分割、异常检测等领域。原创 2024-12-29 05:00:00 · 16407 阅读 · 14 评论 -
【机器学习】实战：XX用户购买意向预测（一）数据清洗
（一）、数据清洗1. 数据集完整性验证2. 数据集中是否存在缺失值3. 数据集中各特征数值应该如何处理4. 哪些数据是我们想要的，哪些是可以过滤掉的5. 将有价值数据信息做成新的数据源6. 去除无行为交互的商品和用户7. 去掉浏览量很大而购买量很少的用户(惰性用户或爬虫用户)原创 2024-12-24 05:00:00 · 22262 阅读 · 97 评论 -
【机器学习】实战：XX用户购买意向预测（三）特征工程
XX作为中国最大的自营式电商，在保持高速发展的同时，沉淀了数亿的忠实用户，积累了海量的真实数据。如何从历史数据中找出规律，去预测用户未来的购买需求，让最合适的商品遇见最需要的人，是机器学习应用在精准营销中的关键问题，也是所有电商平台在做智能化升级时所需要的核心技术。 以XX商城真实的用户、商品和行为数据（脱敏后）为基础，通过数据挖掘的技术和机器学习的算法，构建用户购买商品的预测模型，输出高潜用户和目标商品的匹配结果，为精准营销提供高质量的目标群体。原创 2024-12-25 05:00:00 · 19656 阅读 · 21 评论 -
【机器学习】Kaggle实战泰坦尼克号海难生死预测（背景介绍、加载数据、数据探索、数据预处理、构建模型、模型预测）
在学习机器学习相关项目时，Titanic生存率预测项目也通常是入门练习的经典案例。Kaggle平台为我们提供了一个竞赛案例“Titanic: Machine Learning from Disaster”，在该案例中，我们将探究什么样的人在此次海难中幸存的几率更高，并通过构建预测模型来预测乘客生存率。本项目通过数据可视化理解数据，并利用特征工程等方法挖掘更多有价值的特征，然后利用同组效应找出共性较强的群体并对其数据进行修正，在选择模型时分别比较了Gradient Boosting Classifier、原创 2025-01-06 05:00:00 · 16283 阅读 · 102 评论 -
【机器学习】数据分析实战之岗位数据分析
【代码】【机器学习】数据分析实战之岗位数据分析。原创 2024-12-18 05:15:00 · 8650 阅读 · 15 评论 -
【机器学习】Kaggle实战信用卡反欺诈预测（场景解析、数据预处理、特征工程、模型训练、模型评估与优化）
Kaggle实战信用卡反欺诈预测（场景解析、数据预处理、特征工程、模型训练、模型评估与优化）原创 2024-12-30 05:00:00 · 18273 阅读 · 125 评论