# Kaggle

**Repository Path**: pluto0930/Kaggle

## Basic Information

- **Project Name**: Kaggle
- **Description**: kaggle案例实践
- **Primary Language**: HTML
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2020-11-15
- **Last Updated**: 2020-12-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Kaggle案例练习
+ 1 Titanic获救预测：
<br><br>特征工程:对现有特征进行一些混合运算来获得i性能特征。例如名字长度、家庭成员数。
<br><br>特征选择：运用sklearn中的feature_selection模块。特征选择有四类方法，过滤法，嵌入法，包装法，降维法。这里使用过滤法，按照方差选出5个最佳特征并做图。
<br><br>模型训练：选择线性回归、SVM、随机森林进行训练，其中线性回归准确率78%，随机森林79%。经过调参可提升模型表现。

+ 2 Bag of Words Meets Bags of Popcorn：
<br><br>对影评进行情感分类，分词、去停词、提取词干后，用词袋模型、TFIDF模型分别进行特征提取，将文档转换为向量形式。除此之外，也尝试Word2vec模型训练词向量。最后用SVM、MNB模型训练。

+ 3 House price
<br><br>数据预处理：将类别型数据转换为one-hot encoding，对数据进行“无量纲化”使其满足正态分布。对缺失的数据，用平均值填满。
<br><br>运用随机森林模型、决策树模型，对比之下，随机森林的结果优于决策树。