文件名称：游乐场：存储我的个人项目
文件大小：3.76MB
文件格式：ZIP
更新时间：2024-02-24 19:08:14
visualization nlp scikit-learn word-embeddings pytorch
操场 该存储库存储了我的一些实验项目。 欢迎检查并提供任何反馈，以便我们更好地改进案例。 比较MLP，Xgboost和Logistic之间模型的性能，然后选择Logistic模型作为最终选择。 在三类情况下，最终模型的精度达到0.62，F1得分达到0.61。 如果我们更深入地研究，每个类别的份额分别为35％，29％，36％，与根据每个类别的预测结果得出的精度68％，47％，65％相比，我们可以说Logistic模型将精度提高了一倍通常。 到分析结束时，我已经能够提出一个建议的广告展示位置列表。 遵循这些站，我还获得了各种地铁路线的预期通勤时间表。 在这篇文章中，我想测试不同种类的词嵌入
【文件预览】：
Playground-master
----TimeSeriesUtils.py(5KB)
----.ipynb_checkpoints()
--------01-Classification-Modeling-on-Hotel-Scoring-checkpoint.ipynb(853KB)
--------04-Text-Classification-via-Spacy-checkpoint.ipynb(42KB)
--------05-Try-out-Spacy-Pretrain-checkpoint.ipynb(108KB)
--------02-RL-train-robotic-arm-to-reach-a-ball-checkpoint.ipynb(65KB)
--------03-Walmart-Store-Sales-Forecasting-p1-checkpoint.ipynb(66KB)
--------02-Mass-Transit-Analysis-checkpoint.ipynb(288KB)
--------03-Walmart-Store-Sales-Forecasting-p2-checkpoint.ipynb(29KB)
--------03-Walmart-Recruiting-Store-Sales-Forecasting-checkpoint.ipynb(72B)
----UtilTextClassification.py(5KB)
----02-Mass-Transit-Analysis.ipynb(288KB)
----04-Model-Comparison-Word2vec-Doc2vec-TfIdfWeighted.ipynb(144KB)
----.DS_Store(10KB)
----06-1-Recsys-Data-Preprocess.ipynb(35KB)
----README.md(3KB)
----03-Walmart-Store-Sales-Forecasting-p2.ipynb(29KB)
----06-3-Recsys-lightFM.ipynb(9KB)
----.idea()
--------misc.xml(209B)
--------workspace.xml(2KB)
--------vcs.xml(180B)
--------Playground-project.iml(398B)
--------modules.xml(288B)
----__pycache__()
--------TimeSeriesUtils.cpython-37.pyc(5KB)
----UtilRecommender.py(32KB)
----06-2-Recsys-TrainTestSplit.ipynb(15KB)
----20180628_practice_stacking_model()
--------.ipynb_checkpoints()
--------test.csv(441KB)
--------train.csv(450KB)
--------.DS_Store(6KB)
--------Practice_stacking_model_on_house_price_prediction.ipynb(1.4MB)
----06-4-Recsys-RDF-SVD.ipynb(13KB)
----03-Walmart-Store-Sales-Forecasting-p1.ipynb(115KB)
----UtilWordEmbedding.py(11KB)
----06-5-Recsys-NCF.ipynb(14KB)
----05-Try-out-Spacy-Pretrain.ipynb(108KB)
----01-Classification-Modeling-on-Hotel-Scoring.ipynb(853KB)