![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
数据分析挖掘
文章平均质量分 78
jaeden_xu
这个作者很懒,什么都没留下…
展开
-
【算法竞赛学习】Task5 排序模型+模型融合
import numpy as npimport pandas as pdimport picklefrom tqdm import tqdmimport gc, osimport timefrom datetime import datetimeimport lightgbm as lgbfrom sklearn.preprocessing import MinMaxScalerimport warningswarnings.filterwarnings('ignore')data转载 2022-06-11 10:41:28 · 861 阅读 · 0 评论 -
【算法竞赛学习】Task4 特征工程
import numpy as npimport pandas as pdimport picklefrom tqdm import tqdmimport gc, osimport loggingimport timeimport lightgbm as lgbfrom gensim.models import Word2Vecfrom sklearn.preprocessing import MinMaxScalerimport warningswarnings.filterwarn转载 2022-06-11 10:32:08 · 289 阅读 · 0 评论 -
【无标题】Task3 多路召回
import pandas as pd import numpy as npfrom tqdm import tqdm from collections import defaultdict import os, math, warnings, math, picklefrom tqdm import tqdm# import faissimport collectionsimport randomfrom sklearn.preprocessing import MinMaxSca转载 2022-06-11 10:24:10 · 409 阅读 · 0 评论 -
【算法竞赛学习】Task2 数据分析
%matplotlib inlineimport pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as snsplt.rc('font', family='SimHei', size=13)import os,gc,re,warnings,syswarnings.filterwarnings("ignore")# path = './data/' # 自定义的路径path = '.转载 2022-06-11 10:10:12 · 190 阅读 · 0 评论 -
【算法竞赛学习】Task1 赛题理解+Baseline
赛题理解是切入一道赛题的基础,会影响后续特征工程和模型构建等各种工作,也影响着后续发展工作的方向,正确了解赛题背后的思想以及赛题业务逻辑的清晰,有利于花费更少时间构建更为有效的特征模型...转载 2022-06-11 09:55:52 · 316 阅读 · 0 评论 -
【算法竞赛学习】气象海洋预测-Task5 模型建立之 SA-ConvLSTM
气象海洋预测-Task5 模型建立之 SA-ConvLSTM该方案中采用的模型是SA-ConvLSTM。前两个TOP方案中选择将赛题看作一个多输出的任务,通过构建神经网络直接输出24个nino3.4预测值,这种思路的问题在于,序列问题往往是时序依赖的,当我们采用多输出的方法时其实把这24个nino3.4预测值看作是完全独立的,但是实际上它们之间是存在序列依赖的,即每个预测值往往受上一个时间步的预测值的影响。因此,在这次的TOP方案中,采用Seq2Seq结构来考虑输出预测值的序列依赖性。Seq2Seq结转载 2022-02-24 10:21:31 · 3280 阅读 · 4 评论 -
【算法竞赛学习】气象海洋预测-Task4 模型建立之 TCNN+RNN
气象海洋预测-Task4 模型建立之 TCNN+RNN该方案中采用的模型是TCNN+RNN。在Task3中我们学习了CNN+LSTM模型,但是LSTM层的参数量较大,这就带来以下问题:一是参数量大的模型在数据量小的情况下容易过拟合;二是为了尽量避免过拟合,在有限的数据集下我们无法构建更深的模型,难以挖掘到更丰富的信息。相较于LSTM,CNN的参数量只与过滤器的大小有关,在各类任务中往往都有不错的表现,因此我们可以考虑同样用卷积操作来挖掘时间信息。但是如果用三维卷积来同时挖掘时间和空间信息,假设使用的过滤转载 2022-02-24 10:17:40 · 1750 阅读 · 0 评论 -
【算法竞赛学习】气象海洋预测-Task3 模型建立之 CNN+LSTM
气象海洋预测-Task3 模型建立之 CNN+LSTM本次任务我们将学习来自TOP选手“学习AI的打工人”的建模方案,该方案中采用的模型是CNN+LSTM。在本赛题中,我们构造的模型需要完成两个任务,挖掘空间信息以及挖掘时间信息。那么,说到挖掘空间信息的模型,我们会很自然的想到CNN,同样的,挖掘时间信息的模型我们会很容易想到LSTM,我们本次学习的这个TOP方案正是构造了CNN+LSTM的串行结构。学习目标学习TOP方案的数据处理方法。学习TOP方案的模型构建方法。内容介绍数据处理转载 2022-02-24 10:10:54 · 2144 阅读 · 2 评论 -
【算法竞赛学习】气象海洋预测-Task2 数据分析
气象海洋预测-Task2 数据分析数据分析是我们解决一个数据挖掘任务的重要一环,通过数据分析,我们可以了解标签的分布、数据中存在的缺失值和异常值、特征与标签之间的相关性、特征之间的相关性等,并根据数据分析的结果,指导我们后续的特征工程以及模型的选择和设计。在本次任务中,我们将探索赛题中给出的两份训练数据,可视化分析四个气象特征的分布情况,思考如何进行特征工程以及如何选择或设计模型来实现我们的预测任务。学习目标学习如何探索并可视化分析气象数据。根据数据分析结果思考以下两个问题:能否构造新的特征转载 2022-02-24 09:42:31 · 1875 阅读 · 0 评论 -
【算法竞赛学习】气象海洋预测-Task1 气象数据分析常用工具
气象海洋预测-Task1 气象数据分析常用工具气象科学中的数据通常包含多个维度,例如本赛题中给出的数据就包含年、月、经度、纬度四个维度,为了便于数据的读取和操作,气象数据通常采用netCDF文件来存储,文件后缀为.nc。对于以netCDF文件存储的气象数据,有两个常用的数据分析库,即NetCDF4和Xarray。在此次任务中,我们将学习这两个库的基本对象和基本操作,掌握用这两个库读取和处理气象数据的基本方法。学习目标1.了解和学习NetCDF4和Xarray的基本对象和基本操作,掌握用这两个库读取和转载 2022-02-24 09:33:43 · 954 阅读 · 1 评论 -
【算法竞赛学习】数字中国创新大赛智慧海洋建设-Task5模型融合
智慧海洋建设-Task5 模型融合5.1 学习目标学习融合策略完成相应学习打卡任务5.2 内容介绍https://mlwave.com/kaggle-ensembling-guide/https://github.com/MLWave/Kaggle-Ensemble-Guide模型融合是比赛后期一个重要的环节,大体来说有如下的类型方式。简单加权融合:回归(分类概率):算术平均融合(Arithmetic mean),几何平均融合(Geometric mean);分类:投票(Votin转载 2022-02-16 10:38:05 · 232 阅读 · 0 评论 -
【算法竞赛学习】数字中国创新大赛智慧海洋建设-Task4模型建立
智慧海洋建设-Task4模型建立此部分为智慧海洋建设竞赛的模型建立模块。在该模块中主要介绍了如何进行模型建立并对模型调优。学习目标学习如何选择合适的模型以及如何通过模型来进行特征选择掌握随机森林、lightGBM、Xgboost模型的使用。掌握贝叶斯优化方法的具体使用内容介绍模型训练与预测随机森林lightGBM模型Xgboost模型交叉验证模型调参智慧海洋数据集模型代码示例模型训练与预测模型训练与预测的主要步骤为:(1):导入需要的工具库(2):对数据预处转载 2022-02-16 10:36:06 · 473 阅读 · 0 评论 -
【算法竞赛学习】数字中国创新大赛智慧海洋建设-Task3特征工程
智慧海洋建设-Task3 特征工程此部分为智慧海洋建设竞赛的特征工程模块,通过特征工程,可以最大限度地从原始数据中提取特征以供算法和模型使用。通俗而言,就是通过X,创造新的X’以获得更好的训练、预测效果。“数据和特征决定了机器学习的上限,而模型和算法只是逼近这个上限而已”——机器学习界;类似的,吴恩达曾说过:“特征工程不仅操作困难、耗时,而且需要专业领域知识。应用机器学习基本上就是特征工程。”赛题:智慧海洋建设特征工程的目的:特征工程是一个包含内容很多的主题,也被认为是成功应用机器学习的一个转载 2022-02-16 10:34:03 · 406 阅读 · 0 评论 -
【算法竞赛学习】数字中国创新大赛智慧海洋建设-Task2数据分析
智慧海洋建设-Task2 数据分析此部分为智慧海洋建设竞赛的数据分析模块,通过数据分析,可以熟悉数据,为后面的特征工程做准备,欢迎大家后续多多交流。赛题:智慧海洋建设数据分析的目的:EDA的主要价值在于熟悉整个数据集的基本情况(缺失值、异常值),来确定所获得数据集可以用于接下来的机器学习或者深度学习使用。了解特征之间的相关性、分布,以及特征与预测值之间的关系。为进行特征工程提供理论依据。项目地址:https://github.com/datawhalechina/team-le转载 2022-02-16 10:30:41 · 693 阅读 · 0 评论 -
【算法竞赛学习】数字中国创新大赛智慧海洋建设-Task1地理数据分析常用工具
智慧海洋建设-Task1 地理数据分析常用工具在地理空间数据分析中,常会用到许多地理分析的工具,在本模块中主要是针对常用的shapely、geopandas、folium、kepler.gl、geohash等工具进行简单介绍。其中shapely和geopandas是做地理空间数据的分析很好的工具,而folium和kepler.gl是进行地理数据可视化的工具,geohash是将经纬度坐标进行数据编码的方式。通过了解不同的方法将有助于我们去思考如何在现有的工具下去做数据的分析和特征的提取功能学习目标1.了转载 2022-02-16 10:24:44 · 927 阅读 · 0 评论 -
【算法竞赛学习】AI助力精准气象和海洋预测
赛题简介赛题背景发生在热带太平洋上的厄尔尼诺-南方涛动(ENSO)现象是地球上最强、最显著的年际气候信号。通过大气或海洋遥相关过程,经常会引发洪涝、干旱、高温、雪灾等极端事件,对全球的天气、气候以及粮食产量具有重要的影响。准确预测ENSO,是提高东亚和全球气候预测水平和防灾减灾的关键。本次赛题是一个时间序列预测问题。基于历史气候观测和模式模拟数据,利用T时刻过去12个月(包含T时刻)的时空序列(气象因子),构建预测ENSO的深度学习模型,预测未来1-24个月的Nino3.4指数,如下图所示:数据描转载 2022-02-15 10:53:45 · 746 阅读 · 0 评论 -
【算法竞赛学习】心跳信号分类预测-模型融合
Task 5: 模型融合此部分为零基础入门数据挖掘之心电图分类的 Task5 建模融合部分,带你来了解各种模型融合方法及策略,欢迎大家后续多多交流。赛题:零基础入门数据挖掘 - 心电图分类预测项目地址:比赛地址:5.1 学习目标学习融合策略完成相应学习打卡任务5.2 内容介绍https://mlwave.com/kaggle-ensembling-guide/https://github.com/MLWave/Kaggle-Ensemble-Guide模型融合是比赛后期一个重要的环转载 2022-02-12 11:13:49 · 364 阅读 · 0 评论 -
【算法竞赛学习】心跳信号分类预测-建模与调参
Task4 建模与调参此部分为零基础入门数据挖掘之心电图分类的 Task4 建模调参部分,带你来了解各种模型以及模型的评价和调参策略,欢迎大家后续多多交流。赛题:零基础入门数据挖掘 - 心电图分类预测项目地址:比赛地址:4.1 学习目标学习机器学习模型的建模过程与调参流程完成相应学习打卡任务4.2 内容介绍逻辑回归模型:理解逻辑回归模型;逻辑回归模型的应用;逻辑回归的优缺点;树模型:理解树模型;树模型的应用;树模型的优缺点;集成模型基于baggi转载 2022-02-12 11:12:19 · 706 阅读 · 0 评论 -
【算法竞赛学习】心跳信号分类预测-特征工程
Task3 特征工程此部分为零基础入门数据挖掘-心跳信号分类预测的 Task3 特征工程部分,带你来了解时间序列特征工程以及分析方法,欢迎大家后续多多交流。赛题:零基础入门数据挖掘-心跳信号分类预测项目地址:比赛地址:3.1 学习目标学习时间序列数据的特征预处理方法学习时间序列特征处理工具 Tsfresh(TimeSeries Fresh)的使用3.2 内容介绍数据预处理时间序列数据格式处理加入时间步特征time特征工程时间序列特征构造特征筛选使用 tsfresh转载 2022-02-12 11:10:20 · 861 阅读 · 0 评论 -
【算法竞赛学习】心跳信号分类预测-数据分析
Task 2 数据分析Tip: 此部分为零基础入门数据挖掘的 Task2 EDA-数据探索性分析 部分,带你来了解数据,熟悉数据,和数据做朋友,欢迎大家后续多多交流。赛题:心电图心跳信号多分类预测2.1 EDA 目标EDA的价值主要在于熟悉数据集,了解数据集,对数据集进行验证来确定所获得数据集可以用于接下来的机器学习或者深度学习使用。当了解了数据集之后我们下一步就是要去了解变量间的相互关系以及变量与预测值之间的存在关系。引导数据科学从业者进行数据处理以及特征工程的步骤,使数据集的结构和特征集让转载 2022-02-12 11:08:56 · 733 阅读 · 0 评论 -
【算法竞赛学习】心跳信号预测分类-赛题理解
心跳信号预测分类-Task1 赛题理解Task1赛题理解赛题以心电图数据为背景,要求选手根据心电图感应数据预测心跳信号,其中心跳信号对应正常病例以及受不同心律不齐和心肌梗塞影响的病例,这是一个多分类的问题。通过这道赛题来引导大家了解医疗大数据的应用,帮助竞赛新人进行自我练习、自我提高。比赛地址:https://tianchi.aliyun.com/competition/entrance/531883/introduction1.1学习目标理解赛题数据和目标,清楚评分体系。1.2了解赛题转载 2022-02-12 11:06:41 · 1059 阅读 · 0 评论 -
【算法竞赛学习】金融风控之贷款违约预测-Baseline
Baselineimport pandas as pdimport osimport gcimport lightgbm as lgbimport xgboost as xgbfrom catboost import CatBoostRegressorfrom sklearn.linear_model import SGDRegressor, LinearRegression, Ridgefrom sklearn.preprocessing import MinMaxScalerimpor原创 2022-02-11 11:01:35 · 720 阅读 · 0 评论 -
【算法竞赛学习】金融风控之贷款违约预测-模型融合
Task5 模型融合Tip:此部分为零基础入门金融风控的 Task5 模型融合部分,欢迎大家后续多多交流。赛题:零基础入门数据挖掘 - 零基础入门金融风控之贷款违约预测项目地址:https://github.com/datawhalechina/team-learning-data-mining/tree/master/FinancialRiskControl比赛地址:https://tianchi.aliyun.com/competition/entrance/531830/introductio转载 2022-02-11 10:58:59 · 671 阅读 · 0 评论 -
【算法竞赛学习】金融风控之贷款违约预测-建模与调参
Task4 建模与调参此部分为零基础入门金融风控的 Task4 建模调参部分,带你来了解各种模型以及模型的评价和调参策略,欢迎大家后续多多交流。赛题:零基础入门数据挖掘 - 零基础入门金融风控之贷款违约预测项目地址:https://github.com/datawhalechina/team-learning-data-mining/tree/master/FinancialRiskControl比赛地址:https://tianchi.aliyun.com/competition/entrance转载 2022-02-11 10:56:38 · 813 阅读 · 0 评论 -
【算法竞赛学习】金融风控之贷款违约预测-特征工程
Task3 特征工程此部分为零基础入门金融风控的 Task3 特征工程部分,带你来了解各种特征工程以及分析方法,欢迎大家后续多多交流。赛题:零基础入门数据挖掘 - 零基础入门金融风控之贷款违约项目地址:https://github.com/datawhalechina/team-learning-data-mining/tree/master/FinancialRiskControl比赛地址:https://tianchi.aliyun.com/competition/entrance/531830转载 2022-02-11 10:52:05 · 533 阅读 · 0 评论 -
【算法竞赛学习】金融风控之贷款违约预测-数据分析
Task2 数据分析此部分为零基础入门金融风控的 Task2 数据分析部分,带你来了解数据,熟悉数据,为后续的特征工程做准备,欢迎大家后续多多交流。赛题:零基础入门数据挖掘 - 零基础入门金融风控之贷款违约目的:1.EDA价值主要在于熟悉了解整个数据集的基本情况(缺失值,异常值),对数据集进行验证是否可以进行接下来的机器学习或者深度学习建模.2.了解变量间的相互关系、变量与预测值之间的存在关系。3.为特征工程做准备项目地址:https://github.com/datawhal转载 2022-02-11 10:48:08 · 2624 阅读 · 0 评论 -
【算法竞赛学习】金融风控之贷款违约预测-赛题理解
Task1 赛题理解赛题以金融风控中的个人信贷为背景,要求选手根据贷款申请人的数据信息预测其是否有违约的可能,以此判断是否通过此项贷款,这是一个典型的分类问题。通过这道赛题来引导大家了解金融风控中的一些业务背景,解决实际问题,帮助竞赛新人进行自我练习、自我提高。项目地址:https://github.com/datawhalechina/team-learning-data-mining/tree/master/FinancialRiskControl比赛地址:https://tianchi.aliy转载 2022-02-11 10:43:27 · 1124 阅读 · 0 评论 -
【算法竞赛学习】学术前沿趋势-作者信息关联
任务5:作者信息关联5.1 任务说明学习主题:作者关联(数据建模任务),对论文作者关系进行建模,统计最常出现的作者关系;学习内容:构建作者关系图,挖掘作者关系学习成果:论文作者知识图谱、图关系挖掘5.2 数据处理步骤将作者列表进行处理,并完成统计。具体步骤如下:将论文第一作者与其他作者(论文非第一作者)构建图;使用图算法统计图中作者与其他作者的联系;5.3 社交网络分析图是复杂网络研究中的一个重要概念。Graph是用点和线来刻画离散事物集合中的每对事物间以某种方式相联系的数学模型转载 2022-02-09 11:04:22 · 97 阅读 · 0 评论 -
【算法竞赛学习】学术前沿趋势-论文种类分类
任务4:论文种类分类4.1 任务说明学习主题:论文分类(数据建模任务),利用已有数据建模,对新论文进行类别分类;学习内容:使用论文标题完成类别分类;学习成果:学会文本分类的基本方法、TF-IDF等;4.2 数据处理步骤在原始arxiv论文中论文都有对应的类别,而论文类别是作者填写的。在本次任务中我们可以借助论文的标题和摘要完成:对论文标题和摘要进行处理;对论文类别进行处理;构建文本分类模型;4.3 文本分类思路思路1:TF-IDF+机器学习分类器直接使用TF-IDF对文本转载 2022-02-09 11:02:12 · 220 阅读 · 0 评论 -
【算法竞赛学习】学术前沿趋势-论文代码统计
任务3:论文代码统计3.1 任务说明任务主题:论文代码统计,统计所有论文出现代码的相关统计;任务内容:使用正则表达式统计代码连接、页数和图表数据;任务成果:学习正则表达式统计;3.2 数据处理步骤在原始arxiv数据集中作者经常会在论文的comments或abstract字段中给出具体的代码链接,所以我们需要从这些字段里面找出代码的链接。确定数据出现的位置;使用正则表达式完成匹配;完成相关的统计;3.3 正则表达式正则表达式(regular expression)描述了一种字符转载 2022-02-09 11:00:37 · 95 阅读 · 0 评论 -
【算法竞赛学习】学术前沿趋势-论文作者统计
任务2:论文作者统计2.1 任务说明任务主题:论文作者统计,统计所有论文作者出现评率Top10的姓名;任务内容:论文作者的统计、使用 Pandas 读取数据并使用字符串操作;任务成果:学习 Pandas 的字符串操作;2.2 数据处理步骤在原始arxiv数据集中论文作者authors字段是一个字符串格式,其中每个作者使用逗号进行分隔分,所以我们我们首先需要完成以下步骤:使用逗号对作者进行切分;剔除单个作者中非常规的字符;具体操作可以参考以下例子:C. Bal\\'azs, E.转载 2022-02-09 10:57:46 · 59 阅读 · 0 评论 -
【竞赛算法学习】学术前沿趋势分析-论文数据统计
任务1:论文数据统计1.1 任务说明任务主题:论文数量统计,即统计2019年全年计算机各个方向论文数量;任务内容:赛题的理解、使用 Pandas 读取数据并进行统计;任务成果:学习 Pandas 的基础操作;可参考的学习资料:开源组织Datawhale joyful-pandas项目1.2 数据集介绍数据集来源:数据集链接;数据集的格式如下:id:arXiv ID,可用于访问论文;submitter:论文提交者;authors:论文作者;title:论文标题;comm转载 2022-02-09 10:55:30 · 289 阅读 · 0 评论 -
【算法竞赛学习】二手车交易价格预测-Baseline
二手车交易价格预测-BaselineBaseline-v1.0 版Tip:这是一个最初始baseline版本,抛砖引玉,为大家提供一个基本Baseline和一个竞赛流程的基本介绍,欢迎大家多多交流。赛题:零基础入门数据挖掘 - 二手车交易价格预测地址:https://tianchi.aliyun.com/competition/entrance/231784/introduction?spm=5176.12281957.1004.1.38b02448ausjSX# 查看数据文件目录 list d转载 2022-02-07 16:10:00 · 737 阅读 · 0 评论 -
【算法竞赛学习】二手车交易价格预测-Task5模型融合
二手车交易价格预测-Task5 模型融合五、模型融合Tip:此部分为零基础入门数据挖掘的 Task5 模型融合 部分,带你来了解各种模型结果的融合方式,在比赛的攻坚时刻冲刺Top,欢迎大家后续多多交流。赛题:零基础入门数据挖掘 - 二手车交易价格预测地址:https://tianchi.aliyun.com/competition/entrance/231784/introduction?spm=5176.12281957.1004.1.38b02448ausjSX5.1 模型融合目标对于多转载 2022-02-07 16:07:12 · 424 阅读 · 0 评论 -
【算法竞赛学习】二手车交易价格预测-Task4建模调参
二手车交易价格预测-Task4 建模调参四、建模与调参Tip:此部分为零基础入门数据挖掘的 Task4 建模调参 部分,带你来了解各种模型以及模型的评价和调参策略,欢迎大家后续多多交流。赛题:零基础入门数据挖掘 - 二手车交易价格预测地址:https://tianchi.aliyun.com/competition/entrance/231784/introduction?spm=5176.12281957.1004.1.38b02448ausjSX5.1 学习目标了解常用的机器学习模型,并掌转载 2022-02-07 16:01:06 · 832 阅读 · 0 评论 -
【算法竞赛学习】二手车交易价格预测-Task3特征工程
二手车交易价格预测-Task3 特征工程三、 特征工程目标Tip:此部分为零基础入门数据挖掘的 Task3 特征工程部分,带你来了解各种特征工程以及分析方法,欢迎大家后续多多交流。赛题:零基础入门数据挖掘 - 二手车交易价格预测地址:https://tianchi.aliyun.com/competition/entrance/231784/introduction?spm=5176.12281957.1004.1.38b02448ausjSX3.1 特征工程目标对于特征进行进一步分析,并对转载 2022-02-07 15:40:11 · 314 阅读 · 0 评论 -
【算法竞赛学习】二手车交易价格预测-Task2数据分析
二手车交易价格预测-Task2 数据分析二、 EDA-数据探索性分析Tip:此部分为零基础入门数据挖掘的 Task2 EDA-数据探索性分析 部分,带你来了解数据,熟悉数据,和数据做朋友,欢迎大家后续多多交流。赛题:零基础入门数据挖掘 - 二手车交易价格预测地址:https://tianchi.aliyun.com/competition/entrance/231784/introduction?spm=5176.12281957.1004.1.38b02448ausjSX2.1 EDA目标转载 2022-02-07 15:17:01 · 620 阅读 · 0 评论 -
【算法竞赛学习】二手车交易价格预测-Task1赛题理解
二手车交易价格预测-Task1 赛题理解一、 赛题理解Tip:此部分为零基础入门数据挖掘的 Task1 赛题理解 部分,为大家入门数据挖掘比赛提供一个基本的赛题入门讲解,欢迎后续大家多多交流。赛题:零基础入门数据挖掘 - 二手车交易价格预测地址:https://tianchi.aliyun.com/competition/entrance/231784/introduction?spm=5176.12281957.1004.1.38b02448ausjSX1.1 学习目标理解赛题数据和目标,清转载 2022-02-07 15:06:26 · 319 阅读 · 0 评论 -
【算法竞赛学习】数据分析达人赛3:汽车产品聚类分析
赛题背景赛题以竞品分析为背景,通过数据的聚类,为汽车提供聚类分类。对于指定的车型,可以通过聚类分析找到其竞品车型。通过这道赛题,鼓励学习者利用车型数据,进行车型画像的分析,为产品的定位,竞品分析提供数据决策。赛题数据数据源:car_price.csv,数据包括了205款车的26个字段https://tianchi.aliyun.com/competition/entrance/531892/information赛题任务选手需要对该汽车数据进行聚类分析,并找到vokswagen汽车的相应竞品。要转载 2022-01-18 16:23:36 · 9838 阅读 · 5 评论 -
【算法竞赛学习】数据分析达人赛2:产品关联分析
赛题背景赛题以购物篮分析为背景,要求选手对品牌的历史订单数据,挖掘频繁项集与关联规则。通过这道赛题,鼓励学习者利用订单数据,为企业提供销售策略,产品关联组合,为企业提升销量的同时,也为消费者提供更适合的商品推荐。赛题数据数据源:order.csv,product.csv,customer.csv,date.csv ,分别为订单表,产品表,客户表,日期表,使用天池实验室打比赛即可直接在notebook中挂载数据源https://tianchi.aliyun.com/competition/entranc转载 2022-01-18 16:22:01 · 869 阅读 · 0 评论