包含Kaggle比赛:房价预测数据集,实战的介绍文档及预测结果。 房价预测数据集分为训练数据集和测试数据集。两个数据集都包括每栋房子的特征,如街道类型、建造年份、房顶类型、地下室状况等特征值。这些特征值有连续的数字、离散的标签甚至是缺失值“na”。只有训练数据集包括了每栋房子的价格,也就是标签。
2022-12-08 15:28:47 196KB kaggle比赛 房价预测 深度学习实战
1
cifar10文件夹:包括了cifar10原数据库 kaggle文件夹:包括了在kaggle上训练好的模型,以及日志文件 model文件夹:包括了本地cpu训练好的模型 src文件夹:kaggle_tensorboard.py: 用于使用tensorboard展示kaggle上训练的日志 model.py: 神经网络模型 res_model:残差网络模型 有问题就发邮件。GuanlinLi_BIT@163.com
2022-12-01 21:45:12 219.52MB 神经网络 cifar10 pytorch 残差神经网络
1
卡格 Kaggle 比赛的代码和数据 otto:奥托集团产品分类挑战赛
2022-11-29 22:40:46 5.75MB Python
1
野火 分析在Kaggle上找到的Wildfires数据集。 该数据集包含1992年至2015年美国的野火数据。 文件说明: c_10nv20(1).zip:美国各县及相应的几何数据->来源: ://www.weather.gov/gis/Counties wildfires.7z:来自Kaggle的原始sqlite数据库->来源: ://www.kaggle.com/rtatman/188-million-us-wildfires?select FPA_FOD_20170508.sqlite wildfires.ipynb:Jupyter Notebook,包含对数据集的所有分析。 工作正在进行中!
2022-11-26 22:15:13 18.61MB JupyterNotebook
1
Kaggle National Datascience Bowl 2017第二名 这是我在Kaggle.com主办的第二名解决方案中我的源代码。 有关该方法的文档,请访问: ://juliandewit.github.io/kaggle-ndsb2017/ 请注意,这是我的代码部分。 我的队友Daniel Hammack的工作可以在以下位置找到: : 依赖关系和数据 该解决方案是使用Keras和Windows 64位上的tensorflow后端构建的。 接下来,我使用了scikit-learn,pydicom,simpleitk,beatifulsoup,opencv和XgBoost。
2022-11-26 21:51:05 65KB machine-learning deep-learning tensorflow keras
1
该数据是一个假新闻标记数据,包括从244个网站上利用Chrome的BS Detector扩展工具识别出的假新闻数据。
2022-11-24 20:26:20 20.42MB 假新闻识别 Kaggle
1
Titanic数据集来自kaggle
2022-11-24 18:14:58 88KB 机器学习
1
平台下载的原始三个数据train.csv test.csv gender_submission.csv (本来想0积分 分享给大家 无奈最低是1分了)
2022-11-21 08:29:47 32KB titanic数据
1
奥托 在Kaggle Otto生产分类挑战赛(排行榜)中排名第85位(在3514中)。 链接: : 特征工程(并非全部用于最终合奏) 每行所有功能的总和 每行所有功能的差异 每行填充的特征数 在前20个功能上创建的操作功能(+,-,*,/)(并非始终有效) 用均值标准化转换要素(新要素=原始要素-列均值) 楷模 XGBoost 神经网络(使用宽面条和H20;仅将宽面条模型用于最终合奏) randomForest 软件 R 3.1.3 R包: doParallel 脱字号 xgboost 派对 全球网 dplyr Python 2.7 Python库: 烤宽面条 麻木 科学的 茶野
2022-11-18 20:55:03 19KB R
1
Kaggle-Playground-Series-March-2021 存储库已保存,以显示Kaggle竞赛游乐场系列-2021年3月的工作”。
2022-11-15 14:23:16 4.4MB HTML
1