Jung-Pu-Chang / kaggle-compete

KAGGLE競賽

KAGGLE 1: combined k-means & svm to solve classification problem

目標: 預測kaggle議題-Ghouls, Goblins, and Ghosts... Boo!鬼的種類，應變量為類別型

使用方法&結果: 透過k-means與svm進行預測，準確度為74%

資料來源: https://www.kaggle.com/c/ghouls-goblins-and-ghosts-boo/overview

KAGGLE 2: Weibo Social Networks -- associated rules

目標: 挖掘微博主之間的關聯規則

使用方法&結果: 透過apriori挖掘關聯規則，並將結果以網站格式輸出

資料來源: https://www.kaggle.com/jm3402/weibo-social-networks

KAGGLE 3: facebook member EDA

目標: facebook用戶EDA

結果:

1. 數值特徵間以 朋友數&朋友發起 按讚數&手機按讚數&網頁按讚數 相關係數>0.8較高
2. 以男性用戶占6成較多
3. 主力年齡層為18~24歲，占整體3成
4. 整體而言女性平均按讚數為男性3倍，互動性較高，其中又以20歲以下女性的436次最高

資料來源: https://www.kaggle.com/sheenabatra/facebook-data

KAGGLE 4: Tesla Stock Price Prediction

目標: 預測特斯拉2017/3/1~3/17每日收盤價

使用方法&結果: 使用SARIMA模型預測，誤差為2%

資料來源: https://www.kaggle.com/rpaguirre/tesla-stock-price

KAGGLE 5: Identify cats and dogs

程式碼影片說明: CNN 5.2~5.4 https://www.youtube.com/playlist?list=PL68v9oqhwEhg8ynlgz-3S6_pPKYhIRIg3

目標: 貓狗照片辨識模型

使用方法&結果: 透過CNN模型，其準確度可達9成

資料來源: https://www.kaggle.com/tongpython/cat-and-dog