m0_49263811的博客

@[TOC]豆瓣一.导入数据二.数据清洗2.1清理null值2.2清洗出版时间列2.3转换评分及平均数量的数据类型2.4清洗页数列2.5清洗价格列2.6去除书名重复的数据2.7哪个出版社的书籍评分较高？2.8哪些书值得一读？2.9作者排名（10部作品及以上）三.数据分析与可视化3.1各年作品出版数量折线图3.2各价位作品数量直方图3.3各出版社出版作品数量条形图&评分折线图3.4作者作品评分条形图3.5作品评分树状图...

一.题目概况数据集：点击下载根据给定的数据集，建立模型，二手汽车的交易价格。来自 Ebay Kleinanzeigen 报废的二手车，数量超过 370,000，包含 20 列变量信息，为了保证 比赛的公平性，将会从中抽取 10 万条作为训练集，5 万条作为测试集 A，5 万条作为测试集 B。同时会对名称、车辆类型、变速箱、model、燃油类型、品牌、公里数、价格等信息进行 脱敏。二.查看数据import pandas as pdimport numpy as nppath = './da

本题模型融合示例：数据集：链接：https://pan.baidu.com/s/1bbgT3bfNVcbQKEnpgBt4PQ提取码：au99import pandas as pdimport numpy as npimport warningsimport matplotlibimport matplotlib.pyplot as pltimport seaborn as snswarnings.filterwarnings('ignore')%matplotlib inline

四. 建模调参4.1读取数据reduce_mem_usage 函数通过调整数据类型，帮助我们减少数据在内存中占用的空间import pandas as pdimport numpy as npimport warningswarnings.filterwarnings('ignore')def reduce_mem_usage(df): """ iterate through all the columns of a dataframe and modify the data typ

中医药治疗乳腺癌有着广泛的适应证和独特的优势。从整体出发，调整机体气血、阴阳、脏腑功能的平衡，根据不同的临床证候进行辨证论治。确定“先证而治”的方向：即后续证侯尚未出现之前，需要截断恶化病情的哪些后续证侯。找出中医症状间的关联关系和诸多症状间的规律性，并且依据规则分析病因、预测病情发展以及为未来临床诊治提供有效借鉴。能够帮助乳腺癌患者手术后体质的恢复、生存质量的改善，有利于提高患者的生存机率。目前，中医治疗一般都是采用中医辨证的原则，结合临床医师的从医经验和医学指南进行诊断，然而此方法也存在一定

案例背景在我国现行的分税制财政管理体制下，地方财政收人不仅是国家财政收入的重要组成部分，而且具有其相对独立的构成内容。如何有效的利用地方财政收入，合理的分配，来促进地方的发展，提高市民的收入和生活质量是每个地方政府需要考虑的首要问题。因此，对地方财政收人进行预测，不仅是必要的，而且也是可能的。科学、合理地预测地方财政收人，对于克服年度地方预算收支规模确定的随意性和盲目性，正确处理地方财政与经济的相互关系具有十分重要的意义。某市作为改革开放的前沿城市，其经济发展在全国经济中的地位举足轻重。目前，该市在财

一.背景商家有时会在特定日期，例如Boxing-day，黑色星期五或是双十一（11月11日）开展大型促销活动或者发放优惠券以吸引消费者，然而很多被吸引来的买家都是一次性消费者，这些促销活动可能对销售业绩的增长并没有长远帮助，因此为解决这个问题，商家需要识别出哪类消费者可以转化为重复购买者。通过对这些潜在的忠诚客户进行定位，商家可以大大降低促销成本，提高投资回报率（Return on Investment, ROI）。众所周知的是，在线投放广告时精准定位客户是件比较难的事情，尤其是针对新消费者的定位。不过，

本文接着上一篇博客，如果您未阅读上篇博客，请点击【数据分析与挖掘实战】金融风控之贷款违约预测详解1(有代码和数据集)七.建模和调参7.1模型相关原理介绍由于相关算法原理篇幅较长，本文推荐了一些博客供初学者们进行学习。7.1.1 逻辑回归模型7.1.2 决策树模型7.1.3GBDT模型7.1.4 XGBoost模型7.1.5 LightGBM模型7.1.6 Catboost模型7.2 模型对比与性能评估7.2.1逻辑回归优点训练速度较快，分类的时候，计算量仅仅只和特征的数目相关；

机器学习-LightGBM一.LightGBM的介绍与应用1.1 LightGBM的介绍1.2 LightGBM的应用二.数据集来源三.基于英雄联盟数据集的LightGBM分类实战Step1：函数库导入Step2：数据读取/载入Step3：数据信息简单查看Step4:可视化描述Step5：利用 LightGBM 进行训练与预测Step7: 利用 LightGBM 进行特征选择Step8: 通过调整参数获得更好的效果四.总结本次我们选择英雄联盟数据集进行LightGBM的场景体验。英雄联盟是2009年美国拳

数据预处理总结基于sklearn包1、标准化：去均值和方差按比例缩放(scale,StandardScaler)1.1将特征缩放至特定范围内(MinMaxScaler,MaxAbsScaler)1.2缩放稀疏矩阵数据2.归一化(Normalizer)3.类别特征编码(OneHotEncoder)4.离散化4.1K-bins离散化(KBinsDiscretizer )4.2特征二值化(Binarizer)5.缺失值补全5.1单变量插补全(SimpleImputer)5.1.1平均数替换5.1.2众数替换5.2

logistic是一种线性分类器，针对的是线性可分问题。利用logistic回归进行分类的主要思想是：根据现有的数据对分类边界线建立回归公式，以此进行分类。这里的“回归”一词源于最佳拟合，表示要找到最佳拟合参数集，因此，logistic训练分类器时的做法就是寻找最佳拟合参数，使用的是最优化方法.例如：在两个类的情况下，函数输出0或1，这个函数就是二值型分类器的sigmoid函数； ...

线性回归简介：线性回归目标是提取输入变量和输出变量的关联线性模型。线性回归属于有监督学习，有监督学习的基本架构和框架如下：1.准备训练数据，可以是文本数据、图像数据和音频数据2.然后抽取所需要的特征形成特征向量。3.把这些特征向量已经对应的目标一起导入机器学习算法模型中，训练出一个预测模型。4.采用同样的特征抽取方法作用与新数据，得到用于测试的特征向量。5.最后使用预测模型对这些待测试的特征向量进行预测得到结果。线性回归也不例外，下面运用一个简单的实例来了解线性回归。（1）导入数据#线性回