# Machine-Learning-Case-Studies

**Repository Path**: shupei_ustc/Machine-Learning-Case-Studies

## Basic Information

- **Project Name**: Machine-Learning-Case-Studies
- **Description**: 机器学习项目
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2020-03-02
- **Last Updated**: 2020-12-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Machine-Learning-Case
## trip
本项目是数据的EDA探索，针对自行车共享数据集`2015_trip_data`进行探索性数据分析。这个数据集的特征如下表所示：

特征名称  | 说明|
| :------------: |:---------------:|
trip_id  | 为每个行程分配的唯一ID |
starttime  | 在PST中，行程开始的日期和时间 |
stoptime  | 在PST中，行程结束的日期和时间 |
bikeid  | 每辆自行车的ID |
tripduration  | 以秒为单位的行程时间 |
from_station_name  | 行程起始站名 |
to_station_name  | 行程终止站名 |
from_station_id  | 行程起始站ID |
to_station_id  | 行程终止站ID |
usertype  | 数据可以是以下任意一种：短期通行证持有者或会员 |
gender  | 骑手性别 |
birthyear  | 骑手出生年份 |

分别观察了数据集的数据分布、时间序列成分、度量测度中心、离群样本、相关性、t-分布、中心极限定理等。
## Concrete
本项目是数据的回归预测，针对混凝土抗压强度数据集`Concrete_Data`进行样本的混凝土抗压强度预测。这个数据集的特征如下表所示：

特征名称  | 说明|
| :------------: |:---------------:|
cement_component  | 水泥(组分1)(千克/立方米混合物) |
furnace_slag  | 高炉矿渣(组分2)(千克/立方米混合物) |
flay_ash  | 粉煤灰(组分3)(千克/立方米混合物) |
water_component  | 水(组分4)(千克/立方米混合物) |
superplasticizer  | 减水剂(组分5)(千克/立方米混合物) |
coarse_aggregate  | 粗骨料(组分6)(千克/立方米混合物) |
fine_aggregate  | 细骨料(组分7)(千克/立方米混合物) |
age  | 龄期(天) |
concrete_strength  | 混凝土抗压强度(MPa,兆帕) |

先对特征之间，特征与label之间的一致性进行观察，然后选取一致性较高的特征进行分析，基于R^2指标，分别用线性回归/岭回归/Lasso回归/ElasticNet/梯度boosting回归/支持向量机对数据集做单变量与多变量的回归预测分析。
## Yahoo
本项目是针对股票作时间序列分析与预测，针对数据集为雪人2017年全年的数据集。这个数据集的特征如下表所示：

特征名称  | 说明|
| :------------: |:---------------:|
date  | 日期  |
open  | 开盘价  |
high  | 最高价  |
close  | 收盘价  |
low  | 最低价  |
volume  | 成交量  |
price_change  | 价格变动   |
p_change  | 涨跌幅   |
ma5  | 5日均价  |
ma10  | 5日均价  |
ma5  | 10日均价  |
ma20  | 20日均价  |
v_ma5  | 5日均量  |
v_ma10  | 10日均量  |
v_ma20  | 20日均量  |

首先进行特征探索，利用`Dickey-Fuller检验`评估时间序列的平稳性，然后通过对数以及差分运算使时间序列平稳。通过`Durbin Watson统计`计算时间序列的自相关性。最后利用`ARIMA`进行时间序列建模分析，最终的**MSE: 0.2393**
## AAAI
本项目是数据的聚类分析，针对2014年AAAI收到的所有论文数据集`[UCI] AAAI-14 Accepted Papers - Papers`进行样本的聚类分析。这个数据集的特征如下表所示：

特征名称  | 说明|
| :------------: |:---------------:|
title  | 论文标题  |
authors  | 论文作者  |
groups  | 作者选定的高级关键词  |
keywords  | 作者生成的关键词  |
topics  | 作者选择的低级关键词  |
abstracts  | 论文摘要  |

首先进行特征转换，将数据集按照作者选定的高级关键词进行展开，然后分别用k-means、高斯混合模型、贝叶斯高斯混合模型对数据集进行聚类分析。并对聚类结果采用词云的方式进行可视化分析。最终得到贝叶斯高斯混合模型的聚类效果最好，将数据集聚为3簇时，轮廓系数最大。
## noshowappointments
本项目是数据的二分类分析，针对俄亥俄州诊所患者出现与否数据集`No-show-Issue-Comma-300k`进行样本的分类预测。这个数据集的特征如下表所示：

特征名称  | 说明|
| :------------: |:---------------:|
年龄(Age)  | 患者的年龄  |
性别(Gender)  | 患者的性别  |
预约登记(AppointmentRegistration)  | 向患者发出预约的日期  |
预约数据(ApointmentData)  | 向患者发出的预约就诊日期  |
一周中具体的某日(DayOfTheWeek)  | 向患者发出的预约就诊日  |
状态(Status)  | 患者就诊与否  |
糖尿病(Diabetes)  | 是否患有糖尿病  |
酗酒(Alcoolism)  | 患者是否受到酒精的影响  |
高血压(HiperTension)  | 患者是否有高血压  |
残疾(Handcap)  | 患者是否残疾  |
吸烟(Smokes)  | 患者是否吸烟  |
资助(Scholarship)  | 患者是否受到福利机构的资助  |
结核(Tuberculosis)  | 患者是否患有结核  |
短信提醒(Sms_Reminder)  | 是否向患者发送预约短信提醒  |
等待时间(AwaitingTime)  | 等待时间=预约登记-预约数据  |

首先进行特征探究，观察里面的连续变量，布尔值变量以及字符串变量，并绘制不同变量的分布图。然后对变量中的离群值以及明显错误数据进行清洗，探究各变量与状态变量之间的关系。最后分别用决策树，SGD，随机森林以及梯度Boosting对数据集做二分类预测，得到梯度Boosting在ROC_AUC指标下效果最好。