CCF训练赛电商用户购买行为预测过程文件.zip

driving-behavior-risk-prediction. 2018平安产险数据建模大赛 驾驶行为预测驾驶风险 Fork或借鉴请注明出处  . Thx 比赛链接 RANK 第五周 第六周 相关文章 License Copyright (c) . All rights reserved. Licensed under the License.

比赛天池_新闻推荐 天池大赛-新闻推荐场景下的用户行为预测挑战赛，SOLO赛，B榜排名5/5338 解决方案 召回方案 使用热度召回，改进itemCF，分配Swing和item2vec进行多路召回，结合faiss库计算相似文章尝试解决冷启动问题，采用贝叶斯优化选择最优超参数，最终每个用户召回50篇文章。 排序方案 建立用户行为和文章自身特征，根据召回结果按照1：5划分正负样本转化为CTR预测问题，采用lightGBM进行5折交叉验证，根据转化概率得到文章的结果，最终HR @ 5达到0.27，HR @ 50达到0.49。

从真实的新浪微博数据中分析用户的转发行为,提取了用户特征、微博特征、交互特征和结构特征等4个方面的影响转发行为的因素。通过实证分析各个特征对转发行为的具体影响,并利用机器学习中的不同预测算法对用户是否会对给定主题的微博产生转发行为进行预测。实验表明,用我们选取的因素,结合逻辑回归模型对于用户转发行为的预测更加准确。

在本文中，我们提出了一种基于贪婪算法的深度学习决策支持策略。 人工智能的决策支持是现代计算机科学中最具挑战性的趋势。 当前存在各种策略，并且为了满足诸如Microsoft，Google，Amazon等面向用户的平台的实际需求，这些策略正在不断改进。

由于学生的成功率反映了教育组织的成功，因此学生成功率不断提高的趋势成为所有教育组织的目标。 除此之外，学生完成中学后接受高等教育的意愿是教育组织最重要的目标之一。 许多原因会影响这种意愿，揭示这些原因可能会增强学生的意愿。 数据挖掘工具（尤其是决策树算法）可以被认为是找到隐藏模式以实现这些目标的最佳选择。 本工作中使用的实验数据集是由米尼奥大学的 Paulo Cortez 和 Alice Silva 收集和分析的两门课程（数学（395 个实例）和葡萄牙语（拥有 659 个实例的葡萄牙语课程））的葡萄牙学生的数据集，葡萄牙。 在这项工作中应用和试验了三种决策树算法（J48、RepTree 和 Hoeffding Tree（VFDT））。 结果表明，J48算法最适合对学生完成高等教育和课程成功的意愿进行分类和预测。

这个数据集来自一个用用户点击广告行为预测竞赛数据，作为各学习分类算法的数据集，其数据量合适，且还可以做降维测试，是一个学习的好资料

python数据分析大作业（课程设计）

型智能电表普及后，为了准确检测出电网中的窃电用户，可以结合机器学习的方法．为此，选择了支 持向量机、随机森林和迭代决策树3种机器学习中较常用的大数据算法进行分析，通过不断调整试验数据集 的大小，对3种算法的效率和准确率进行测试．对比分析结果发现，随机森林算法运行的时间和数据量的大小 基本呈线性关系，效率较高，且准确率稳定在86％以上，表现较好．

该数据集包括训练集train.csv，训练集结果train_label.csv，预测集test.csv，以及结果的保存样式submission.csv。