遗传算法GA优化xgboost模型，python书写，代码用第三方数据集

xgboost解释器 一个R包，使xgboost模型完全可解释

自己参加五一赛的作品。附录包括代码和数据，质量很好，获奖没问题，可以用于学习参考和期末选课结业。 本文针对矿石加工问题，利用 XGBoost 模型、贝叶斯优化模型与回归插补法进 行研究，旨在提升工业矿石产品的生产合格率，为矿产行业提供参考与建议。

Auto_TS：Auto_TimeSeries 使用单行代码自动构建多个时间序列模型。 现在已用Dask更新。 Auto_timeseries是用于时间序列数据的复杂模型构建实用程序。 由于它可以自动执行复杂任务中的许多任务，因此它假定了许多智能默认值。 但是您可以更改它们。 Auto_Timeseries将基于Statsmodels ARIMA，Seasonal ARIMA和Scikit-Learn ML快速建立预测模型。 它将自动选择给出最佳分数的最佳模型。 从0.0.35版开始，新版本进行了重大更新：现在，您可以将文件加载到Dask数据框中。 只需提供文件名，如果文件名太大而无法容纳在pandas数据框中，则Auto_TS会自动检测到该文件并将其加载到Dask数据框中。 此外，自0.0.25版以来的新功能是Auto_TimeSerie的语法：现在，它更像scikit-lear

python实现xgboost模型，对数据进行分类预测和概率预测

数据简介：电力用户的95598工单数据、电量电费营销数据等为基础，综合分析电费敏感客户特征，建立客户电费敏感度模型，对电费敏感用户的敏感程度进行量化评判，帮助供电企业快速、准确的识别电费敏感客户，从而对应的提供有针对性的电费、电量提醒等精细化用电服务。 在初赛中，参赛者需要以电力用户的95598工单数据、供电抢修服务数据、停电信息数据为基础，结合对受理工单文本内容的分析挖掘，建立客户停电敏感度模型，对客户对于停电事件的敏感程度进行量化分析，确定用户对停电事件是否敏感。 在复赛中，参赛者需要以电力用户的95598工单数据、电量电费营销数据等为基础，综合分析电费敏感客户特征，建立客户电费敏感度模型，对电费敏感用户的敏感程度进行量化评判，帮助供电企业快速、准确的识别电费敏感客户，从而对应的提供有针对性的电费、电量提醒等精细化用电服务。