在本项目中，我们面临的是一个典型的预测分析任务，源自Kaggle竞赛——"房屋租赁信息查询次数预测"。这个竞赛的目标是利用给定的房屋租赁数据，预测每条租赁信息将被用户查询的次数。这有助于房屋业主和代理人更好地了解市场需求，优化房源展示，预防欺诈行为，并提高信息质量。 数据集名为"Two Sigma Connect_Rental Listing Inquiries"，我们可以推测其中包含了一系列关于房屋租赁的详细记录。以下是一些可能包含的关键特征和相关知识点： 1. **创建日期**：这是预测查询次数的一个重要因素，因为不同时间段的市场需求可能会有很大差异。例如，节假日、学年开学期间或城市活动（如音乐节、会议）可能会导致查询量增加。 2. **地理位置**：房屋所在的地理位置通常对查询次数有重大影响。靠近市中心、交通便利、学区房等都会吸引更多的潜在租户。 3. **房屋特征**：包括房屋类型（公寓、独栋、联排别墅等）、卧室数量、浴室数量、面积、设施（如健身房、游泳池）等。这些因素直接影响租户的选择，从而影响查询次数。 4. **租金**：租金的高低会直接影响房屋的吸引力。过高或过低的租金都可能导致查询次数的变化。 5. **房源描述**：房源的描述可能包含有关房屋状况、装修风格等信息，这些细节可能影响租户的决定。 6. **图片数量**：高质量的图片可以增加房源的吸引力，通常情况下，图片越多，租户查看的可能性越大。 7. **历史查询数据**：如果数据集中包含了历史查询次数，这将是一个强大的预测指标，因为过去的查询趋势可能会影响未来的查询行为。 8. **欺诈控制**：通过对查询次数的预测，可以识别异常高或低的查询活动，这可能是欺诈行为的信号。 9. **信息质量监测**：预测模型可以帮助确定哪些信息可能需要更新或改进，以提高查询率。 10. **机器学习算法**：解决这个问题可能需要使用各种机器学习方法，如线性回归、决策树、随机森林、支持向量机、神经网络等。特征工程和模型调参也是关键步骤。 为了构建有效的预测模型，我们需要进行数据预处理（如缺失值处理、异常值检测、数据标准化等），特征工程（创建新特征、提取有用信息），选择合适的模型，以及模型验证和优化。通过交叉验证和AUC-ROC等评价指标来评估模型的性能。 这个项目涉及到数据分析、数据挖掘、机器学习等多个领域，为理解房地产市场动态和优化租房服务提供了宝贵的实践机会。通过深入研究和建模，我们可以为房屋租赁市场提供更精准的预测，从而提升业务效率和客户满意度。

KaggleLeaf分类 Kaggle竞赛“植物幼苗分类”

自然语言处理 我在这里分享了我在IE Univesity的自然语言处理课程中使用的一些代码。 我也分享我所做的项目。 1.计算歌曲的词汇多样性 我遇到一篇文章，讨论一些音乐家在其职业生涯中的整体词汇。 因此，我想将清单上前3位歌手和最后2位歌手的歌曲与我们在课堂上看到的3首歌曲进行比较。 排在首位的是Eminem（毫不奇怪），他的100首最慢的歌曲中使用了大约8,800个单词。 然后是Jay Z（6,900字）和Tupac Shakur（6,600字）。 排在最末的是Spice Girls和Bruno Mars（大约1500个单词）。 我尝试选择看起来在词汇上更加多样化的歌曲，并且与预期的一样，结果表明两组之间的差异很大，而且与我们看到的三首歌曲相比，差异也很大。 （可以在文件1_Lexical_Diversity中找到该代码） 2.分类模型：真实与否？ NLP与灾难鸣叫 我们获得了将近1

kaggle竞赛Predict Student Performance from Game Play 自己写的项目代码，带注释+讲解 数据集：https://www.kaggle.com/competitions/predict-student-performance-from-game-play/data score为0.678，300/600的rank 竞赛目标： You'll develop a model trained on one of the largest open datasets of game logs. 文件包括： train.csv - the training set test.csv - the test set sample_submission.csv - a sample submission file in the correct format train_labels.csv - correct value for all 18 questions for each session in the training set

提交Kaggle竞赛“真实与否？NLP与灾难鸣叫”（排名前25％） 挑战链接： : 链接到公共Kaggle笔记本（SVM）： : 在此存储库中，您将找到3个笔记本： 一种使用spaCy字向量和SVM的 一种使用BiLSTM的 一种将预训练的BERT用于序列分类 在测试集上，SVM的f1得分达到0.81152，BiLSTM达到0.80，而BERT达到〜0.83 f1得分。

广告实时竞价数据，是广告牌、商场广告位和互联网广告栏中的广告位的实时竞价情况信息，用以训练有偏模型和预测客户点击。

简街市场预测 作者：刘增丰，崔贤ji，郑家杰 在此项目中，目标是根据市场价格从130点的时间序列中预测市场份额的未来回报值。 该数据集是从竞赛中获得的。 以下是实现这些目标的一些可能步骤： 去噪 滚动平均值 使用小波变换的阈值 使用的机器学习模型： 决策树（CART） 线性回归 k最近邻居 人工神经网络 卷积神经网络

Kaggle竞赛解决方案-使用LightGBM算法预测二手商品的成交概率 avito是一家俄罗斯公司，从网站上来看是一个线上购物平台，这一次题目的目标，就是预测某一个商品在某一天被售出的概率，给定的数据有一段时间内的商品的销售情况（数量，价格，地区，品类，商品的俄文描述，商品的图片）等信息。 Avito提供了多个数据集, 除了主要的训练集(train.csv, 150万+样本)和测试集(test.csv, 50万+样本)外, 还有train_active.csv/test_active.csv(和train/test同时期的数据, 但没有成交概率和图片信息); periods_train.csv/periods_test.csv(只包含了active数据中每件商品的id, activation_date - 广告投放日期, date_from/date_to - 广告展示的第一天和最后一天); train_jpg.zip/test_jpg.zip(train和test样本的图片)。

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”。

从一系列 CT 影像中对肺部影像进行分割，并识别估计肺部容积量。