wzy6642 / K-PrototypesLinks
改进的k-prototypes聚类算法
☆19Updated 4 years ago
Alternatives and similar repositories for K-Prototypes
Users that are interested in K-Prototypes are comparing it to the libraries listed below
Sorting:
- 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。☆25Updated 6 years ago
- 数据特征工程、各种机器学习回归模型、回归数据预处理☆44Updated 5 years ago
- 基于深度学习的共享单车预测与调度解决方案，使用神经网络构建单车需求量与时间段和地理画像的关联，预测不同区域单车需求量；使用蚁群算法规划最优单车调度路径。☆100Updated 6 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☆33Updated 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☆58Updated 7 years ago
- 研究生数学建模比赛－航班登机口分配☆16Updated 6 years ago
- [大数据课程作业]分别采用神经网络、线性回归、SVM方法预测学生成绩☆45Updated 6 years ago
- 时间序列ARIMA模型的销量预测☆63Updated 6 years ago
- K-Means聚类算法及其改进☆32Updated 7 years ago
- 用户地理位置的聚类算法实现—基于DBSCAN和Kmeans的混合算法☆26Updated 6 years ago
- 现有聚类算法面向高维稀疏数据多未考虑类簇可重叠和离群点的存在，导致聚类效果不理想。针对此，提出一种可重叠子空间K-Means聚类算法(An Overlapping Subspace K-Means Clustering Algorithm, OS-K-Means)。给出类簇…☆30Updated 5 years ago
- 基于Python实现了K-Means、GMM、DBSCAN、AGNES等四种常见的聚类算法☆69Updated 6 years ago
- 由时间空间成对组成的轨迹序列，通过循环神经网络lstm，自编码器auto-encode，时空密度聚类st-dbscan做异常检测☆71Updated 5 years ago
- 基于粒子群算法的神经网络优化股票价格预测☆33Updated 5 years ago
- 基于遗传算法的特征选择☆128Updated 5 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☆76Updated 4 years ago
- 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☆55Updated 5 years ago
- 数据预处理之缺失值处理，特征选择☆21Updated 6 years ago
- 2019天池大数据竞赛杭州市地铁流量流入流出预测 成绩27/2319 比赛地址https://tianchi.aliyun.com/competition/entrance/231708/introduction?spm=5176.12281957.1004.6.38b0…☆45Updated 6 years ago
- 客流量时间序列预测模型☆123Updated 3 years ago
- 分析银行营销活动数据以预测客户有多大可能购买存款产品☆12Updated 5 years ago
- 常用的特征选择方法☆68Updated 2 years ago
- 城市交通流量时空预测---山东省数据应用（青岛）创新创业大赛。http://sdac.qingdao.gov.cn/common/cmptIndex.html☆36Updated 5 years ago
- 马上AI全球挑战赛-违约用户风险预测 top2-solution☆18Updated 6 years ago
- 天池全球城市计算AI挑战赛-地铁人流量预测 A榜22/2319☆134Updated 6 years ago
- 智慧物流算法大赛简介： 根据包括货值、路程和油价等字段的数据集，对每趟货物运送的运价进行回归预测。 本项目为我的参赛代码，分为四个主要的部分：1.数据预处理；2.特征工程；3.建模调参训练；4.数据可视化。 最终获得了大赛的二等奖。☆37Updated 6 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…☆46Updated 4 years ago
- 构建基于逻辑回归的评分卡模型☆45Updated 6 years ago
- 机器学习算法超参数的优化方法——基于hyperopt和bayes_opt☆14Updated 6 years ago
- 机器学习集成模型之Stacking各类模型及工具源码☆116Updated 4 years ago