数学建模

数据挖掘实践（金融风控）：金融风控之贷款违约预测挑战赛（下篇）[xgboots/lightgbm/Catboost等模型]--模型融合：stacking、blending 相关文章： 数据挖掘实践（金融风控）：金融风控之贷款违约预测挑战赛(上篇) 数据挖掘机器学习专栏 4.建模与调参 项目链接以及码源见文末 4.1 模型对比与性能评估 4.1.1 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； 简单易理解，模型的可解释性非常好，从特征的权重可以看到不同的特征对最后结果的影响； 适合二分类问题，不需要缩放输入特征； 内存资源占用小，只需要存储各个维度的特征值； ...

大二，下半年大三，有个来自数科的热爱数学的同学找我去组队参加数学建模竞赛，而我自己对数学建模不感兴趣，本来想着继续继续学自己方向上的东西我该去参加吗？要是拿奖了好处多多，也能有团队协作的经历

自己是会计类专业，然后实习也有点想去互联网厂（市场和运营方向），为没打算争取保研。想向有过这个比赛经验的前辈们了解一下，这个比赛最终对这方面的实习面试有很明显的加分吗？或者说投入产出比例大吗？ #竞赛话题# #数学建模# #投递实习岗位前的准备# #互联网# （另外自己编程与数学能力并不强）

【机器学习入门与实践】数据挖掘-二手车价格交易预测（含EDA探索、特征工程、特征优化、模型融合等） note：项目链接以及码源见文末 1.赛题简介 了解赛题 赛题概况 数据概况 预测指标 分析赛题 数据读取pandas 分类指标评价计算示例 回归指标评价计算示例 EDA探索 载入各种数据科学以及可视化库 载入数据 总览数据概况 判断数据缺失和异常 了解预测值的分布 特征分为类别特征和数字特征，并对类别特征查看unique分布 数字特征分析 类别特征分析 用pandas_profiling生成数据报告 特征工程 导入数据 删除异常值 特征构造 特征筛选 建...

各位大佬对大学期间参加各种竞赛怎么看?

1.机器学习算法（六）基于天气数据集的XGBoost分类预测 本项目链接：https://www.heywhale.com/home/column/64141d6b1c8c8b518ba97dcc 1.1 XGBoost的介绍与应用 XGBoost是2016年由华盛顿大学陈天奇老师带领开发的一个可扩展机器学习系统。严格意义上讲XGBoost并不是一种模型，而是一个可供用户轻松解决分类、回归或排序问题的软件包。它内部实现了梯度提升树(GBDT)模型，并对模型中的算法进行了诸多优化，在取得高精度的同时又保持了极快的速度，在一段时间内成为了国内外数据挖掘、机器学习领域中的大规模杀伤性武器。 更重要的...

机器学习实战系列[一]：工业蒸汽量预测（最新版本下篇） 原项目链接：https://www.heywhale.com/home/column/64141d6b1c8c8b518ba97dcc 5.模型验证 5.1模型评估的概念与正则化 5.1.1 过拟合与欠拟合 ### 获取并绘制数据集 import numpy as np import matplotlib.pyplot as plt %matplotlib inline np.random.seed(666) x = np.random.uniform(-3.0, 3.0, size=100) X = x.reshape(-1, 1) ...

1.“AI Earth”人工智能创新挑战赛：助力精准气象和海洋预测Baseline[1]、NetCDF4使用教学、Xarray 使用教学，针对气象领域.nc文件读取处理 比赛官网：https://tianchi.aliyun.com/specials/promotion/aiearth2021?spm=a2c22.12281976.0.0.4d0d19efK2FngK 1.1 背景描述 聚焦全球大气海洋研究前沿方向，将人工智能技术应用到天气气候预测领域中，提高极端灾害性天气的预报水平，已成为整个行业研究的热点方向。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...