祥瑞哈哈哈

2022年12月5日

摘要： https://www.kaggle.com/competitions/house-prices-advanced-regression-techniques/data 随便做了下去除nan和字符列只用了回归树。 import matplotlib.pyplot as plt import nump 阅读全文

posted @ 2022-12-05 19:44 祥瑞哈哈哈阅读(26) 评论(0) 推荐(0)

向数据集加了一堆均值并没有提高多少

摘要：准确率为0.8。感觉乱塞特征并没有多大提升。特征加了一堆换了SVM决策树，提升树，随机森林准确率都一般。自己一个人做不上于是不做了。 import matplotlib.pyplot as plt import numpy as np import pandas as pd import torch 阅读全文

posted @ 2022-12-05 12:39 祥瑞哈哈哈阅读(21) 评论(0) 推荐(0)

塞了一堆特征模型的准确率并没提高多少

摘要： import matplotlib.pyplot as plt import numpy as np import pandas as pd import torch import torch.fft as fft from sklearn import tree df = pd.read_csv( 阅读全文

posted @ 2022-12-05 12:36 祥瑞哈哈哈阅读(30) 评论(0) 推荐(0)

2022年12月4日

应该选出数据的代表性数据

摘要：乱塞会导致模型准确率下降。看到他的做法我就清楚了应该找一些反应物体情况的数值。 max_X=data.x.max() min_X=data.x.min() range_X=max_X-min_X var_X=data.x.var() std_X=data.x.std() mean_X=data.x 阅读全文

posted @ 2022-12-04 22:01 祥瑞哈哈哈阅读(35) 评论(0) 推荐(0)

用随机森林做分类

摘要： import matplotlib.pyplot as plt import numpy as np import pandas as pd import torch import torch.fft as fft df = pd.read_csv('train.csv') df=df.drop([ 阅读全文

posted @ 2022-12-04 19:02 祥瑞哈哈哈阅读(30) 评论(0) 推荐(0)

决策树实现

摘要： import matplotlib.pyplot as plt import numpy as np import pandas as pd import torch import torch.fft as fft df = pd.read_csv('train.csv') df=df.drop([ 阅读全文

posted @ 2022-12-04 18:49 祥瑞哈哈哈阅读(37) 评论(0) 推荐(0)

使用svm做运动分类

摘要： linear：线性核函数,是在数据线性可分的情况下使用的，运算速度快，效果好。不足在于它不能处理线性不可分的数据。（在本例中C设为100，换为这个核函数之后的准确率为：0.8595317725752508） poly：多项式核函数,多项式核函数可以将数据从低维空间映射到高维空间，但参数比较多，计算量阅读全文

posted @ 2022-12-04 17:39 祥瑞哈哈哈阅读(60) 评论(0) 推荐(0)

第七届 NVIDIA SKy Hackathon参赛收获

摘要：收获: (1) 学会了使用pip的参数解决包的安装问题，当用pip安装包因为网络问题导致安装失败时可用pip中的参数--default-timeout设置安装时间，也可以用-i参数设置镜像源，选择适合自己网络的镜像源去下载。 (2) 用ai解决问题时数据是基础如果数据质量较差可能导致模型出现一系列问阅读全文

posted @ 2022-12-04 11:00 祥瑞哈哈哈阅读(81) 评论(0) 推荐(0)

2022年12月3日

今日体会

摘要：我一开始不断缩减特征(8维度)使模型的准确率达到了0.86。之前的维度(36)达到了0.87。我一开始以为需要继续缩减特征，当我看到低维数据调整模型结构后难以提升，而我看到36维还能达到0.9。于是我便感觉36维度的前景比8维度的更好。阅读全文

posted @ 2022-12-03 18:17 祥瑞哈哈哈阅读(17) 评论(0) 推荐(0)

准确率为0.865的程序

摘要：我之前猜想振幅大的可能是有用的特征，因此我根据振幅筛选特征，结果获得8个维度的特征。在验证集准确率是0.865，跟36维度的效果类似。 import matplotlib.pyplot as plt import numpy as np import pandas as pd import torc 阅读全文

posted @ 2022-12-03 14:55 祥瑞哈哈哈阅读(17) 评论(0) 推荐(0)

公告