Tag Archives: knn

Python用Ridge、Lasso、KNN、SVM、决策树、随机森林、XGBoost共享单车数据集需求预测及动态资源调配策略优化|附代码数据

By tecdat1月 21, 2026Python辅导, 地理，运输，旅行和物流, 大数据部落, 技术支持, 数理统计, 计算机科学CS辅导, 计算机科学与技术knn, LASSO, Ridge, svm, xgboost, 共享单车, 资源调配

在城市慢行交通体系中，共享单车已成为解决“最后一公里”出行难题的核心载体，其需求的精准预测与资源的高效调配直接决定了运营企业的服务质量与成本控制效率。

Python神经网络、随机森林、PCA、SVM、KNN及回归实现ERα拮抗剂、ADMET数据预测|附代码数据

By tecdat1月 21, 2026Python辅导, 医药生物, 大数据部落, 数理统计, 期刊论文发表投稿, 计算机科学CS辅导ADMET, knn, PCA, svm, 拮抗剂, 神经网络, 随机森林

在乳腺癌治疗领域，雌激素受体α亚型（ERα）是核心作用靶标，针对该靶标的拮抗剂研发是抗乳腺癌药物的重要方向。

Python电影票房预测模型研究——贝叶斯岭回归Ridge、决策树、Adaboost、KNN分析猫眼豆瓣数据

By tecdat8月 27, 2025Python辅导, 大数据部落, 技术支持, 数理统计, 期刊论文发表投稿, 计算机科学CS辅导, 计算机科学与技术Adaboost, knn, Ridge, 岭回归, 电影, 电影票房, 票房, 策树, 贝叶斯

2025年1月，猫眼研究院的一份数据让电影行业陷入沉思：2024年中国电影总票房425.02亿，比2023年少了近120亿，同比降幅23%；全年票房超10亿的新片仅7部，市场连“扛票房”的头部作品都稀缺。更揪心的是，即便疫情结束两年，行业仍没走出低谷——2024年春节档8部影片，有4部临时撤档，《我们一起摇太阳》甚至在声明里直接承认“档期选得不对”。

Python+AI提示词出租车出行轨迹：梯度提升GBR、KNN、LR回归、随机森林融合预测及贝叶斯概率异常检测研究

By tecdat4月 23, 2025Python辅导, 可视化和设计, 地理，运输，旅行和物流, 大数据部落, 技术支持, 数理统计, 期刊论文发表投稿, 计算机科学CS辅导, 计算机科学与技术GBR, knn, 出租车, 出行轨迹, 回归, 异常检测, 梯度提升, 贝叶斯, 随机森林

在当今数字化浪潮席卷全球的时代，城市交通领域的海量数据如同蕴藏着无限价值的宝藏等待挖掘。

Python机器学习算法KNN、MLP、NB、LR助力油气钻井大数据提速参数优选及模型构建研究

By tecdat12月 17, 2024Python辅导, 大数据部落, 技术支持, 数理统计, 期刊论文发表投稿, 计算机科学CS辅导, 计算机科学与技术knn, LR, MLP, NB, 优选, 参数, 油气, 钻井

随着机器学习和大数据分析技术的发展，油气行业数字化转型势在必行，钻井提速参数优选呈现由经验驱动、逻辑驱动向数据驱动转变的趋势。

R语言逻辑回归、GAM、LDA、KNN、PCA主成分分析分类预测房价及交叉验证

By tecdat3月 4, 2024R语言辅导, 大数据部落, 技术支持, 数理统计, 计算机科学CS辅导, 计算机科学与技术GAM, knn, LDA, PCA, 主成分, 逻辑回归

本研究旨在帮助客户利用房价数据集进行数据分析，该数据集包含82个变量和2930个数据点。

R语言KNN（K-近邻）模型分类信贷用户信用等级参数调优和预测可视化

By tecdat1月 26, 2024R语言辅导, 大数据部落, 技术支持, 数理统计, 经济, 计算机科学CS辅导, 计算机科学与技术K-近邻, knn, 信贷, 分类, 参数调优

本文主要介绍了如何帮助客户通过读取数据、查看部分数据、转换数据为因子并将数值变量归一化、进行描述性分析、建立knn模型等步骤对数据进行分析。

Python用KNN（K-近邻）回归、分类、异常值检测预测房价、最优K值选取、误差评估可视化

By tecdat10月 19, 2023Python辅导, 大数据部落, 技术支持, 数理统计, 计算机科学CS辅导, 计算机科学与技术K-近邻, knn, 分类, 回归, 异常值, 异常值检测, 房价, 最优, 误差, 误差评估, 预测

KNN是一种非参数学习算法，这意味着它不会对底层数据做出任何假设。

Python对中国电信消费者特征预测：随机森林、朴素贝叶斯、神经网络、最近邻分类knn、逻辑回归、支持向量回归（SVR）

By tecdat3月 14, 2023R语言辅导, 大数据部落, 技术支持, 数理统计, 计算机科学CS辅导, 计算机科学与技术knn, svr, 支持向量回归, 最近邻分类, 朴素贝叶斯, 电信, 电信消费者, 神经网络, 逻辑回归, 随机森林

随着大数据概念的兴起，以数据为基础的商业模式越来越流行，用所收集到的因素去预测用户的可能产生的行为，并根据预测做出相应反应成为商业竞争的核心要素之一。

Python酒店评论文本数据分析：tf-idf、贝叶斯、逻辑回归，支持向量机SVM、K最邻近算法KNN、随机森林、LDA主题模型

By tecdat1月 10, 2023Python辅导, 大数据部落, 技术支持, 数理统计, 期刊论文发表投稿, 计算机科学CS辅导, 计算机科学与技术knn, K最邻近算法, LDA, svm, tf-idf, 主题模型, 支持向量机, 文本, 文本数据, 评论文本数据, 贝叶斯, 逻辑回归, 酒店, 随机森林

随着互联网的普及和移动端的应用的飞速发展,消费者在各大电商平台进行活动交易时产生了大量的行为数据,在线评论文本就是其中一种。

R语言惩罚逻辑回归、线性判别分析LDA、广义加性模型GAM、多元自适应回归样条MARS、KNN、二次判别分析QDA、决策树、随机森林、支持向量机SVM分类优质劣质葡萄酒十折交叉验证和ROC可视化

By tecdat6月 27, 2022大数据部落, 数理统计, 计算机科学与技术GAM, knn, LDA, MARS, QDA, svm, 二次判别分析, 交叉验证, 决策树, 判别分析, 十折交叉验证, 回归, 多元自适应回归样条, 广义加性模型, 支持向量机, 线性判别分析, 葡萄酒, 逻辑回归, 随机森林

数据包含有关葡萄牙“Vinho Verde”葡萄酒的信息。该数据集有1599个观测值和12个变量，分别是固定酸度、挥发性酸度、柠檬酸、残糖、氯化物、游离二氧化硫、总二氧化硫、密度、pH值、硫酸盐、酒精和质量。

Python银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机svm分析营销活动数据

By tecdat4月 14, 2022大数据部落, 数理统计, 经济, 计算机科学与技术knn, svm, 决策树, 回归, 营销, 贝叶斯, 银行, 预测, 高斯朴素贝叶斯

该数据与银行机构的直接营销活动相关，营销活动基于电话。

Python信贷风控模型：梯度提升Adaboost,XGBoost,SGD, GBOOST, SVC,随机森林, KNN预测金融信贷违约支付和模型优化

By tecdat4月 12, 2022大数据部落, 数理统计, 经济, 计算机科学与技术Adaboost, boost, GBOOST, knn, SGD, SVC, xgboost, 优化, 信贷, 信贷违约, 信贷违约支付, 梯度提升, 违约, 随机森林, 风控

在此数据集中，我们必须预测信贷的违约支付，并找出哪些变量是违约支付的最强预测因子？

【视频讲解】R语言结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析

By tecdat10月 20, 2021大数据部落, 数理统计, 机器学习, 特色视频, 经济, 计算机科学与技术, 金融arima, COVID, COVID-19, knn, 新冠, 新冠疫情, 时间序列, 疫情, 神经网络, 股票, 股票价格, 预测

本文的目标是使用各种预测模型预测Google的未来股价，然后分析各种模型。

Python决策树、随机森林、朴素贝叶斯、KNN（K-最近邻）分类分析银行拉新活动挖掘潜在贷款客户

By tecdat8月 23, 2021大数据部落, 数理统计, 机器学习, 经济, 计算机科学与技术K-最近邻居, knn, 决策树, 分类, 拉新, 挖掘, 朴素贝叶斯, 贝叶斯, 贷款, 银行, 随机森林

项目背景：银行的主要盈利业务靠的是贷款，这些客户中的大多数是存款大小不等的责任客户（存款人）。

Matlab建立逻辑回归，决策树，SVM，KNN和朴素贝叶斯模型分类绘制ROC曲线

By tecdat9月 10, 2020大数据部落, 数理统计, 机器学习, 计算机科学与技术knn, matlab, ROC, svm, 决策树, 分类, 回归, 朴素贝叶斯, 逻辑回归

尽管对于较高的阈值，SVM可以产生更好的ROC值，但逻辑回归通常更擅长区分不同类别。朴素贝叶斯的ROC曲线通常低于其他两个ROC曲线，这表明样本内性能比其他两个分类器方法差。

R语言电信公司churn数据客户流失 k近邻（knn）模型预测分析

By tecdat8月 9, 2019大数据部落, 数理统计, 机器学习, 计算机科学与技术churn, churn数据, knn, k近邻, R语言, 客户流失, 电信公司

A telephone company is interested in determining which customer characteristics are useful for predicting churn, customers who will leave their service.