angeliababy / houseprice_regression
数据特征工程、各种机器学习回归模型、回归数据预处理
☆38Updated 4 years ago
Related projects ⓘ
Alternatives and complementary repositories for houseprice_regression
- 机器学习预测模型,分别用逻辑回归,决策树,随机森林,神经网络,XGBOOST和支持向量机算法建模,交叉验证,并选出AUC最优的模型。特征工程优化后,AUC值达到0.8259☆50Updated 4 years ago
- 机器学习预测系统汇总:包括贝叶斯网络、马尔科夫模型、线性回归、岭回归、多项式回归、决策树回归、深度神经网络预测☆63Updated 4 years ago
- 数据预处理过程(属性选择, 异常值处理, 归一化, 标准化等)☆58Updated 4 years ago
- 机器学习的特征工程,包括特征抽取、特征预处理、特征选择、特征降维。☆24Updated 5 years ago
- 机器学习集成模型之Stacking各类模型及工具源码☆109Updated 4 years ago
- 集成学习Stacking方法详解☆65Updated 5 years ago
- 智能供应链分析,对顾客用rfm模型分类,用多种机器学习模型建模,进行欺诈订单预测,延迟发货预测,销售额预测,销售数量预测☆28Updated 4 years ago
- 利用sklearn实现机器学习算法:线性回归、逻辑回归、决策树、随机森林、SVM等☆132Updated 4 years ago
- 机器学习算法超参数的优化方法——基于hyperopt和bayes_opt☆15Updated 6 years ago
- 利用时间序列预测汽车销量☆37Updated 5 years ago
- 使用bp神经网络预测股票价格。BP neural network is used to predict the stock price.☆33Updated 4 years ago
- 使用支持向量机、弹性网络、随机 森林、LSTM、SARIMA等多种算法进行时间序列的回归预测,除此以外还采取了多种组合方法对以上算法输出的结果进行组合预测。Support vector machine, elastic network, random forest, LSTM…☆42Updated 4 years ago
- 基于粒子群算法的神经网络优化股票价格预测☆31Updated 4 years ago
- 数据预处理之缺失值处理,特征选择☆21Updated 5 years ago
- Sklearn机器学习中的主要算法原理以及实现(线性回归、逻辑回归、朴素贝叶斯、K-Means聚类、KNN、PCA主成分分析、BP神经网络)☆79Updated 4 years ago
- Regression prediction of time series data using LSTM, SVM and random forest. 使用LSTM、SVM、随机森林对时间序列数据进行回归预测,注释拉满。☆176Updated 4 years ago
- Time Series Prediction, Stateful LSTM; 时间序列预测,洗发水销量/股票走势预测,有状态循环神经网络☆53Updated 7 years ago
- 客流量时间序列预测模型☆110Updated 2 years ago
- 基于遗传算法的特征选择☆124Updated 4 years ago
- 支持向量机(SVM)——分类预测,包括多分类问题,核函数调参,不平衡数据问题,特征降维,网格搜索,管道机制,学习曲线,混淆矩阵,AUC曲线等☆51Updated 7 years ago
- 利用Python实现三层BP神经网络☆79Updated 6 years ago
- PSO algorithm for multi-parameters optimizaiton☆65Updated 5 years ago
- python 用GA算法优化BP神经网络☆140Updated 3 years ago
- Python 建立的BP神经网络处理预测相关公交线路数据☆36Updated 7 years ago
- 时间序列ARIMA模型的销量预测☆60Updated 6 years ago
- 常见的数据预处理,包括数据加载、缺失值&异常值处理、描述性变量转换为数值型、训练测试集划分、数据规范化☆36Updated last year
- 利用回归模型实现房价预测☆43Updated 5 years ago
- 建立SARIMA-LSTM混合模型预测时间序列问题。以PM2.5值为例,使用UCI公开的自2013年1月17日至2015年12月31日五大城市PM2.5小时检测数据,将数据按时间段划分,使用SARIMA过滤其线性趋势,再对过滤后的残差使用LSTM进行预测,最后对预测结果进行…☆65Updated 5 years ago
- 《应用时间序列分析》易丹辉、王燕著; 案例Python实现☆15Updated 5 years ago