波士顿-莫斯科马拉松赛分析 项目数据集 他们有两组数据集来完成波士顿和莫斯科马拉松项目。 1.波士顿马拉松比赛结果2017 下面的示例文件marathon_results_2017.csv 列：{围栏，姓名，年龄，男/女，城市，州，国家/地区，公民，5K，10K，15K，20K，一半，25K，30K，35K，40K，步伐，项目时间，官方时间，总体，性别， 分配} 数据：{11，Kirui，Geoffrey，24，M，Keringet，KEN，0:15:25，0:30:28，0:45:44，1:01:15，1:04:35，1:16 ：59，1:33:01，1:48:19，2:02:53，0:04:57，-2:09:37，1，1，1} 2.莫斯科马拉松完整成绩2018 下面的示例文件1_full_results_mm_2018.csv 列：{围嘴，finish_time_sec，fi

Boston_Predict 波士顿房价预测，决策树

Boston_Airbnb_EDA 项目动机 对于本演示，我使用了由Inside Airbnb于2020年6月10日汇编的开放数据源，通过基于以下三个标准执行EDA分析了波士顿Airbnb数据集-a）位置-您在哪些区域有更多选择或可能会停留在哪些区域波士顿爱彼迎（Boston Airbnb）？ b）房间类型-哪种类型的房间最受欢迎？ c）价格-影响价格的重要特征是什么？ 您能预测波士顿Airbnb的价格吗？ 波士顿Airbnb数据集 由波士顿25个社区中的3440个列表和Airbnb的16个功能组成。 EDA 审查九个数字特征之间的配对关系 纬度：从南部42.25到北部42.40，列表的数量正在增加。 经度：从西部-71.15到东部-71.00，波士顿Airbnb的房源数量增加。 Number_of_Reviews和Reviews_Per_Month是正相关的。 查看Spearman相

本数据集为机器学习算法学习和模型验证的典型数据集，可用作机器学习回归问题的分析验证

该数据集是由 Boston 警察局提供，包括 2015 年 6 月 14 日至 2018 年 9 月 3 日的犯罪记录。具体内容包括事件编号，描述，时间日期，地点等信息。可被用作于研究犯罪频率、犯罪种类等问题

Boston房价分析与Pandas绘图-学生练习版.ipynb

逐步回归法matlab代码 写在前面 本文源于百度AI平台飞桨学院《》课程中我自己的心得和理解。 本文旨在介绍使用飞桨框架构建神经网络过程，并从房价预测模型的理解和代码的构建角度来整理所学内容，不求详尽但求简洁明了。 模型构建基本流程 飞桨的模型覆盖计算机视觉、自然语言处理和推荐系统等主流应用场景，所有场景的代码结构完全一致，如所示。 图1. 使用飞桨框架构建神经网络过程 飞桨重写房价预测模型 数据处理之前，需要先加载飞桨框架的相关类库。 #加载飞桨、Numpy和相关类库 import paddle.fluid as fluid import paddle.fluid.dygraph as dygraph from paddle.fluid.dygraph import Linear import numpy as np 1. 数据处理 数据处理包含五个部分：数据导入、数据形状变换、数据集划分、数据归一化处理和封装load data函数。数据预处理后，才能被模型调用。数据处理的代码不依赖paddle框架实现，使用numpy库即可。 对每个特征进行归一化处理，使得每个特征的取值缩放到0~

波士顿房价预测数据集

内含线性回归代码，特征变体、波士顿小项目等代码

第5章 LinearR/PLR/SVR/KNN/DTR/RFR（测算房价） python数据挖掘预测Boston房价  以上为两个博客，本文都是从中整理而来 第一个数据集，包名如下： housing.csv 0.00632 18.00 2.310 0 0.5380 6.5750 65.20 4.0900 1 296.0 15.30 396.90 4.98 24.00 0.02731 0.00 7.070 0 0.4690 6.4210 78.90 4.9671 2 242.0 17.80 396.90 9.14 21.60