阿里天池竞赛项目，智慧物流：新冠期间饿了么骑士行为预估数据集

最新推荐文章于 2022-11-09 11:24:10 发布
最新推荐文章于 2022-11-09 11:24:10 发布
阅读量835 收藏 6
点赞数 3
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44151022/article/details/118819458
版权

链接：https://pan.baidu.com/s/1UNOeQz8WYz0DYdoAr75BRA 
提取码：yizy 
 

qq2246895005
关注
  • 3
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 22
    评论
[比赛]新冠期间饿了么骑士行为预估-数据理解
Helslie的博客
03-30 2342
写在前面 饿了么的比赛的赛题数据理解。 一、骑士行为数据 courier_id 骑士id wave_index 波次index tracking_id 订单id courier_wave_start_lng 波次起始时刻骑士位置 courier_wave_...
天池比赛物流比赛_比赛树及其属性
cumtv80668的专栏
07-16 230
天池比赛物流比赛 比赛树 (Tournament Tree) Tournament tree is a complete binary tree n external nodes and n-1 internal nodes. The external nodes represent the players and internal nodes represent the winner of th...
【竞赛总结】新冠期间饿了么骑士行为预估
fengdu78的博客
07-25 2218
智慧物流挑战赛赛题介绍饿了么拥有几十万外卖员，几百万商家，每天外卖订单几千万，服务几亿用户。具体统计每天饿了么外卖员（蓝骑士）行驶的距离累计可以绕地球400圈以上，这就是阿里巴巴本地生活...
天池天池大数据竞赛赛题菜鸟-需求预测与分仓规划
03-02
对数据进行预处理，生成更多的训练样本。基于以上构建的训练集，训练了多个回归模型，包括：XGboost、GBDT、RandomForest、SVR（线性核与高斯核），训练时各个分仓是分别建模的。
基于python的分类预测_[Python] 机器学习笔记 基于决策树的分类预测
weixin_39627405的博客
12-09 488
一、介绍决策树是一种常见的分类模型，在金融分控、医疗辅助诊断等诸多行业具有较为广泛的应用。决策树的核心思想是基于树结构对数据进行划分，这种思想是人类处理问题时的本能方法。决策树的主要优点：具有很好的解释性，模型可以生成可以理解的规则。可以发现特征的重要程度。模型的计算复杂度较低。决策树的主要缺点：模型容易过拟合，需要采用减枝技术处理。不能很好利用连续型特征。预测能力有限，无法达到其他强监督模型效果...
用Python算法预测客户行为案例
IT教育任姐姐的博客
11-09 668
这里只有5191.0这个值，没有其他的，且只有7763条数据，这里直接将这列当做异常值，直接将这列直接删除了。这里可以看出该银行的主要用户主要集中在23-60岁这个年龄层，其中29-39这个年龄段的人数相对其他年龄段多。这是一份kaggle上的银行的数据集，研究该数据集可以预测客户是否认购定期存款y。这里包含20个特征。需要文章中的源码了可以找下方 小姐姐哈。
智慧物流：新冠期间饿了么骑士行为预估比赛第一轮，预测骑手下一步行动.zip
10-01
比赛项目源码
新冠肺炎CT胸透识别分类数据集3千多张(正常、新冠肺炎、病毒普通肺炎)
10-19
新冠肺炎CT胸透识别分类数据集3千多张(正常、新冠肺炎、病毒普通肺炎)新冠肺炎CT胸透识别分类数据集3千多张(正常、新冠肺炎、病毒普通肺炎)新冠肺炎CT胸透识别分类数据集3千多张(正常、新冠肺炎、病毒普通肺炎)新冠...
COVID-19世界新冠疫情预测代码（含数据集）COVID-19 prediction
05-06
COVID-19世界疫情分析源代码&数据集，主要包括疫情数据的获取，对获取数据的预处理，数据分析可视化——matplotlib、PyEcharts绘制柱形图、折线图、地图、玫瑰图、动态条形图，使用SIR模型对美国疫情数据进行模拟...
新冠肺炎CT胸透识别分类数据集4035张3类别.zip
最新发布
05-09
数据集类型：图像分类用，不可用于目标检测无标注文件 数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)：4035 分类类别数：3 类别名称:["COVID-19","Normal","Viral-...
美团外卖头盔-饿了么头盔数据集.zip
01-16
收集了900多张美团和饿了么的头盔数据集，包含两个标签：有头盔have和无头盔：no_have
智慧物流车道线分割数据集
12-23
智慧物流车道线分割数据集，此数据集包含500多张标注好的包含不同照明环境下的车道线数据图像，并划分为训练集与验证集。此数据集可用于智慧物流中定位和路径规划。 智慧物流车道线分割数据集，此数据集包含500多张标注好的包含不同照明环境下的车道线数据图像，并划分为训练集与验证集。此数据集可用于智慧物流中定位和路径规划。
饿了么大数据平台分享
08-24
饿了么大数据平台的相关技术分享
饿了么大数据平台的逻辑架构图
02-12
饿了么大数据平台的逻辑架构图，适合数据平台建设参考
中小型餐饮商家餐饮数据集
08-20
数据集为通过编写代码下载的饿了么平台上的数据，数据为福建师范大学周边商家的数据，数据量为12万+，已进行了初步的数据清洗。
kaggle上下载的新冠肺炎数据集
08-17
为方便部分网络不太好的同学所以一并上传至这
我分析了2万条饿了么、美团红包记录，这些是红包最多的APP（附数据集）
大数据文摘
01-28 7177
授权转载自公众号THU数据派（ID：datapi）作者：窦英通引子笔者在2015年7月创建了一个以分享滴滴打车红包为主的微信群聊，创建的本意是为了方便大家在分享红包时不打扰别人，在乘车需要红包时能方便地领到红包。随着群人数和分享红包种类的增加，该群已成为一个各类 O2O 服务APP优惠券红包的集散地。从2015年8月到2017年8月，该群产生了约两万条红包分享记录，笔者最近将这些记录导出，通过数量
python爬饿了么外卖数据（1）
热门推荐
zhaoxinglin123的专栏
02-14 1万+
1、环境介绍： win10  64bit python 3.6.0 openpyxl  2.4.2（操作excel） 2、目的 根据区域统计该区域附近的外卖商家总数、和所有商家的月销售情况 3、网页截图 首先我们通过这张图能发现 URL请求是：https://mainsite-restapi.ele.me/v2/pois?extras%5B%5D=count&geohash
参加的一些比赛
kaggle expert，全球排名前1000，清华计算机研究生，兴趣算法工程
08-14 1013
“2020创青春·交子杯” 新网银行金融科技挑战赛 AI算法赛道 名次：10/1.5k
新冠疫情相似问句判定数据集 代码
06-11
新冠疫情相似问句判定是一个自然语言处理任务，需要使用机器学习算法和数据集来实现。以下是一个示例代码，用于训练和评估一个基于BERT模型的相似问句判定模型。 1. 数据准备 首先需要准备训练数据和测试数据。数据集可以从公开数据集中获取，或者自己构建。在这个示例中，我们使用了一个由清华大学开源的中文相似句子数据集 LCQMC。数据集的下载地址为：https://github.com/PaddlePaddle/ERNIE/blob/develop/doc/sentence_pair_similarity/lcqmc/lcqmc.zip 2. 模型构建 我们使用transformers库中的BertModel和BertTokenizer来构建BERT模型。 ```python import torch from transformers import BertTokenizer, BertModel tokenizer = BertTokenizer.from_pretrained('bert-base-chinese') model = BertModel.from_pretrained('bert-base-chinese') ``` 我们可以使用以下代码预处理数据集，将文本转换为BERT模型所需的格式。 ```python import pandas as pd df_train = pd.read_csv('train.csv') df_test = pd.read_csv('test.csv') def preprocess(df): sentences1 = df['sentence1'].tolist() sentences2 = df['sentence2'].tolist() labels = df['label'].tolist() inputs = tokenizer(sentences1, sentences2, padding=True, truncation=True, max_length=128, return_tensors='pt') labels = torch.tensor(labels) return inputs, labels train_inputs, train_labels = preprocess(df_train) test_inputs, test_labels = preprocess(df_test) ``` 接下来，我们定义一个基于BERT模型的相似问句判定模型。 ```python import torch.nn as nn class SentencePairClassifier(nn.Module): def __init__(self, bert): super(SentencePairClassifier, self).__init__() self.bert = bert self.dropout = nn.Dropout(0.1) self.linear = nn.Linear(768, 2) def forward(self, input_ids, attention_mask): outputs = self.bert(input_ids=input_ids, attention_mask=attention_mask) pooled_output = outputs[1] pooled_output = self.dropout(pooled_output) logits = self.linear(pooled_output) return logits ``` 3. 模型训练 我们使用PyTorch中的Adam优化器和交叉熵损失函数来训练模型。 ```python from torch.utils.data import DataLoader, TensorDataset batch_size = 32 train_dataset = TensorDataset(train_inputs['input_ids'], train_inputs['attention_mask'], train_labels) train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True) device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model.to(device) optimizer = torch.optim.Adam(model.parameters(), lr=2e-5) loss_fn = nn.CrossEntropyLoss() num_epochs = 10 for epoch in range(num_epochs): model.train() train_loss = 0 train_acc = 0 for input_ids, attention_mask, labels in train_loader: input_ids, attention_mask, labels = input_ids.to(device), attention_mask.to(device), labels.to(device) optimizer.zero_grad() outputs = model(input_ids, attention_mask) loss = loss_fn(outputs, labels) loss.backward() optimizer.step() train_loss += loss.item() train_acc += (outputs.argmax(1) == labels).sum().item() train_loss /= len(train_loader) train_acc /= len(train_dataset) print('Epoch {}/{}, Loss: {:.4f}, Accuracy: {:.4f}'.format(epoch+1, num_epochs, train_loss, train_acc)) ``` 4. 模型评估 我们使用测试数据集评估模型的性能。 ```python test_dataset = TensorDataset(test_inputs['input_ids'], test_inputs['attention_mask'], test_labels) test_loader = DataLoader(test_dataset, batch_size=batch_size) model.eval() test_loss = 0 test_acc = 0 with torch.no_grad(): for input_ids, attention_mask, labels in test_loader: input_ids, attention_mask, labels = input_ids.to(device), attention_mask.to(device), labels.to(device) outputs = model(input_ids, attention_mask) loss = loss_fn(outputs, labels) test_loss += loss.item() test_acc += (outputs.argmax(1) == labels).sum().item() test_loss /= len(test_loader) test_acc /= len(test_dataset) print('Test Loss: {:.4f}, Test Accuracy: {:.4f}'.format(test_loss, test_acc)) ``` 这样，我们就完成了一个基于BERT模型的相似问句判定模型的训练和评估。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 22
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值