Machine_Learning-Housing_grade_prediction_using_python 机器学习被广泛用于建立数据分析的预测模型。 数据集包含一个训练文件，我们使用该训练文件来训练算法以对测试文件进行预测。 该文件包含大约2500多个缺失值。 我们使用KNN插补来自动填充缺失的位置，以进行更好的预测。 用于对训练和测试数据集进行预测的模型是SVM。 使用线性核获得的模型的准确性约为88.6％，比rbf的准确性高23％。

perl-Astro-SpaceTrack：从Space Track和其他来源下载卫星轨道元素

基于LSTM的流量预测 该项目旨在通过的前端，将LSTM用于流量预测。 超参数优化用于查找网络的最佳参数集。 用法 跑步： pip install -r requirements.txt 然后编辑以便它使用您自己的网络参数。 它将尝试将超参数结果存储在mongodb中。 您可以使用查看它们。 请记住，这仅用于实验，不适用于生产。 使用以下命令运行： python main.pymain.py CSV格式应为以下格式： timestamp,16,17,18,19,20,21 2011-12-31 23:55:00,4,6,8,13,3,0 2012-01-01 00:00:00,

使用LSTM aka语言建模进行句子预测 LSTM文字按字生成。 用于根据输入的单词或句子生成多个句子建议。 有关项目详细信息的更多信息，请参见与此项目相关联的。 响应：仅生成1个私钥，即生成描述的单词数 Input: hydrant requires repair Output: hydrant requires repair is not working Input: describe the problem Output: describe the problem please attend to Input: door and window Output: door and window in the kitchen is not working in the Input: machine is leaking Output: machine is leaking and need

流量预测 拟议的概念证明，用于解决智​​能城市的交通拥堵和预测问题。 二手-LSTM（用于将来的预测）+ CNN（用于检测流量密度）+实时推文将所有这三种方法结合起来以产生流量拥塞因子（TCF），并在将来的任何时候使用Google API提出基于此的路由建议。 内容 - 公用文件夹- 截至9月18日的TCF数据 LSTM预计到9月18日的时间 src文件夹-React应用程序 实用程序文件- tweets_realtime.py-删除有关流量的地理位置标记的tweets tempserver-临时服务器，将所有从抓取中获得的推文排队，并充当React应用程序的API。 屏幕截图 注意：代码清理仍在进行中，该项目是为黑客马拉松而设计的

你好！ 我是旧金山大学数据科学的硕士学位。 在业余时间，我喜欢旅行和玩数据！ 在Covid时代，世界经济遭受重创。 很大一部分是旅游业，其中包括酒店，因为他们面临着大量的取消。 但是，取消预订是酒店由来已久的问题。 当一个人在最后一刻取消时，这可能会成为酒店的沉没成本： 当我看到预订，我的第一个想法是：是否有一种方法可以抢先确定用户是否要取消预订？ 这可以帮助酒店/ BnB业主节省很多钱和水电费！ 任何数据科学项目都包含四个步骤： 我使用了“。 让我们开始吧！ 这是。 我使用了随机森林，正则逻辑回归和XgBoost来确定预订被取消的倾向。 经过超参数调整和交叉验证，我能够以88.7％的准确度预测取消情况。 我希望您能像我一样发现这个项目很有趣！

MATLAB神经网络温度预报代码降雨预测使用数据挖掘方法 建议的系统在此，我们预测蒙特利尔市降雨的发生。 预测是一项艰巨的任务，对于“降雨”而言，预测甚至更加复杂和动态。 它取决于各种参数，例如最高温度，最低温度，相对湿度，露点，风速等。这些参数会不时变化，而且天气会随地理位置及其大气变量而变化。它根据以下步骤来预测降雨的发生：步骤1-我们使用数据挖掘方法收集了过去27年蒙特利尔的天气预报数据，并预测了未来几个月的降雨。 为此，我们从加拿大政府网站收集了1990年至2017年的天气预报数据。 步骤2-由于获取的数据是实时数据，因此对原始天气数据集进行数据预处理和数据转换。 提取的原始数据集具有9个属性。 在这里，我们使用诸如最高温度，最低温度，平均相对湿度，露点，风速，阵风，平均压力（海）和平均压力（站）之类的属性来预测总降水量。 步骤3-清理数据集并将其分为两组，一个训练集包含1990年至2015年的数据，一个测试集包含2017年的数据，使用训练数据对模型进行训练，训练后的数据将用作数据库，模型根据测试数据进行准确性测试。 第4步-为此，我们使用一些回归方法来预测未来几天的降雨量。

对于公司来说，要想实现持续发展，准确预测客户流失至关重要。 先前的研究已经使用许多机器学习方法来预测客户流失。 通用模型无法充分利用时间序列功能。 为了克服这个缺点，我们提出了一个基于LSTM和CNN的模型，该模型在LSTM层和卷积层之间具有跨层连接。 该模型可以同时学习潜在的顺序信息，并从时间序列特征中捕获重要的局部特征。 此外，我们介绍了一种通过在现有特征上训练XGBoost模型来构造新特征的方法。 在真实数据集上的实验结果表明，我们提出的模型比其他比较模型具有更好的性能。

Heart_Attack-EDA-预测 欢迎来到有关心脏病发作分析和预测的项目。 客观的： 问题简介 探索性数据分析（EDA）和预处理 建筑模型 描述 执行EDA并预测一个人是否容易心脏病发作。 心脏病是大多数种族和民族的主要死亡原因。 仅在美国，就有人每37秒死于心血管疾病。 从视觉和统计角度对心脏病UCI数据集进行完整分析，以获得可用于推理的重要观察结果。 根据身体的各种生物学和物理参数预测一个人是否患有心脏病使模型具有较高的准确性和精度，并可以更有把握地预测结果。 随时随地使用户和患者可以访问这些预测，以便他们可以完整了解其健康状况\ 依存关系 Python kaggle-心脏病发作分析和预测数据集pandas sklearn 数据集 用于训练和测试的数据是从Kaggle下载的“心脏病UCI”。 该数据库包含14个属性。 探索性数据分析 这是一组干净，易于理解的数据。 但是，某些

上海二手房价格预测界面 这是复旦大学数据科学学院的数据挖掘课程（DATA620007）。 要求： Tensorflow 1.0.1 Python 3.6 训练数据： 从于2018年4月。 爬行部分是由建造的。 模型： 结构：具有200个节点和ReLU的两层全连接神经网络，以及保持率为75％的Dropout。 纪元：10000 MSE （在测试集上）：<0.03 例子： 一个简单的例子如下：女巫意味着我们所住宿舍的合理价格可能价值高达580万日元。 输出包括目标实际东部地区的平ASP格和总价格。