【数据挖掘竞赛】零基础入门数据挖掘-二手汽车价格预测
数据预处理时首先可以对偏度比较大的数据用log1p函数进行转化，使其更加服从高斯分布，此步处理可能会使我们后续的分类结果得到一个好的结果.notRepairedDamage 中存在空缺值，但空缺值用“-”表示，所以数据查看发现不了空缺值，将“-”替换成NaN。图中可以看出，seller,offerT
使用Statsmodel进行假设检验和线性回归
在本文中，我们将介绍 statsmodel 库的基础知识、如何使用它以及它的好处。
【2023年第十一届泰迪杯数据挖掘挑战赛】B题：产品订单的数据分析与需求预测 建模及python代码详解 问题二
在此任务中，首先，读取训练集和预测集数据，并将训练集中的日期列转换为日期类型，并将其设置为数据集的索引。接着，将数据按照一定的维度进行分组，并将每个组的时间序列进行了平稳性检验，若不平稳则进行一阶或者多阶差分，直到序列平稳。基于问题一的分析，建立数学模型，对附件预测数据（predict_sku1.c
【商业挖掘】关联规则——Apriori算法(最全~)
【商业挖掘】关联规则——Apriori算法(最全~) 大三商科小辣鸡编写的大白话算法！
【2023年第十一届泰迪杯数据挖掘挑战赛】B题：产品订单的数据分析与需求预测 建模及python代码详解 问题一
然后，可以计算出每个节假日的平均需求量，将其与普通日的需求量进行比较，从而分析节假日对产品需求量的影响。例如，如果线上订单需求量的中位数明显高于线下订单需求量的中位数，那么我们可以判断线上销售渠道对产品需求量的贡献较大。从结果中可以看出，不同季节的订单需求量分布存在差异，例如冬季的订单需求量普遍较高
第十一届“泰迪杯”数据挖掘挑战赛(B题：产品订单的数据分析与需求预测)
2. 基于上述分析，建立数学模型，对附件预测数据（predict_sku1.csv）中给出的产品，预测未来3月（即2019年1月、2月、3月）的月需求量，将预测结果按照表3的格式保存为文件result1.xlsx，与论文一起提交。（2） 产品所在区域对需求量的影响，以及不同区域的产品需求量有何特性；
零基础入门数据挖掘——二手车交易价格预测：baseline
本文是对阿里云天池竞赛——零基础入门数据挖掘之二手车交易价格预测的学习记录，是一个很简单的baseline。
【数据挖掘】期末复习题库集
【数据挖掘】期末复习题库集
第十一届泰迪杯B题：产品订单的数据分析与需求预测
2. 基于上述分析，建立数学模型，对附件预测数据（predict_sku1.csv）中给出的产品，预测未来3月（即2019年1月、2月、3月）的月需求量，将预测结果按照表3的格式保存为文件result1.xlsx，与论文一起提交。附件中的预测数据（predict_sku1.csv）提供了需要预测产品
【第十一届“泰迪杯”数据挖掘挑战赛】B题产品订单的数据分析与需求预测“解题思路“”以及“代码分享”
此题我们需要分析：不同大品类2015到2018年需求量分析、不同细分品类2015到2018年需求量分析从而得出不同点与共同点。首先需要对日期进行判断月初、月中、月末区间，打上标签，再根据标签进行分组(注意：数据中2018的12月没有月末区间数据)先对每天的需求量进行统计，再进行对数据季节打标签处理，
Stata 回归结果详解
详细解释stata回归结果的各项指标
2023MathorcupC题电商物流网络包裹应急调运与结构优化问题建模详解+模型代码(一)
第三次继续写数模文章和思路代码了，不知道上次美赛和国赛大家有没有认识我，没关系今年只要有数模比赛艾特我私信我，要是我有时间我一定免费出文章代码好吧！博主参与过十余次数学建模大赛，三次美赛获得过二次M奖一次H奖，国赛二等奖。！！**大家可以参考。
核心圈好图书推荐（二）
我们还是老样子，文章末尾进行优质评论，评论内容要求跟本期图书的内容相关哦！评论受赞数量最多的四位伙伴，可以任选上面两种一本作为福利免费送给你（包邮到家）凉哥也将购买链接放在评论区了，有需求的小伙伴们可以自行购买！！！
【Paraview教程】第一章安装与基础介绍
ParaView基本的交互式可视化功能，主要包括数据加载，数据处理，参数调整和数据交互等功能。如切割，剪裁，轮廓，探测都能通过paraview实现。
2023年泰迪杯数据挖掘挑战赛B题--产品订单数据分析与需求预测（1.数据处理）
本题相对来说比较适合新手，包括针对数据的预处理，数据分析，特征提取以及模型训练等多个步骤，完整的做下来是可以学到很多东西的。
一文速学-XGBoost模型算法原理以及实现+Python项目实战
集成模型Boosting补完计划第三期了，之前我们已经详细描述了AdaBoost算法模型和GBDT原理以及实践。通过这两类算法就可以明白Boosting算法的核心思想以及基本的运行计算框架，余下几种Boosting算法都是在前者的算法之上改良得到，尤其是以GBDT算法为基础改进衍生出的三种Boost
第十一届泰迪杯数据挖掘挑战赛-产品订单数据分析B题（完整代码）--数据处理--第一部分（下一部分请看下一博客）
第十一届泰迪杯数据挖掘挑战赛-B题，数据处理以及特征序列增加
用CTGAN生成真实世界的表格数据
随着CLIP和稳定模型的快速发展，图像生成领域中GAN已经不常见了，但是在表格数据中GAN还是可以看到它的身影。
时间序列—显著相关性和滞后性分析_python
本文讲述了两个时间序列(信号)的相关性分析，可以利用相关性分析进行特征筛选。此外本文还讲了怎么判断时间序列的滞后性的方法。
