6. 结果分析与解读
6.1 结果概述 我们使用了 梯度提升回归模型 对房价进行了预测，主要基于以下评估指标来评估模型的表现： 均方根误差（RMSE）：该指标反映了模型预测的误差，越小越好。 R²（决定系数...
四、银行客户流失率分析
1. 目标定义和假设设定 1.1 案例名称 房价数据清洗与基础统计分析 1.2 数据集 Kaggle 上的Bank Customer Churn Prediction 数据集。 1.3 分析背景与业务需求： 在本案例中，我们的任...
3. 特征工程
特征工程是数据分析和建模中非常重要的一步，通过选择、提取或构造对模型有效的特征，可以提高模型的性能和预测准确性。在本案例中，我们将进行特征选择、构造新特征，确保它们与分析目标（预测...
4. 模型选择与构建
在本阶段，我们将根据业务需求和数据特征，选择最适合的数据分析或预测模型，并详细介绍所选算法的原理和适用性。模型将用于预测客户是否会流失（Exited），这一任务属于二元分类问题。 4.1 模...
5. 模型训练与评估
在这一阶段，我们将实现模型的训练，使用适当的评价指标对模型性能进行评估，并通过网格搜索或随机搜索优化模型的超参数。最后，我们将选择合适的可视化形式，展示模型评估结果。 5.1 模型训练 ...
6. 结果分析与解读
在这一阶段，我们对模型的训练结果进行详细分析，并从中提炼出对业务具有指导意义的洞察。通过分析模型的性能和数据特征，我们能够提供有关客户流失的重要见解，并为银行的客户管理策略提供指导...
五、股票市场历史数据探索
1. 目标定义和假设设定 案例名称：股票市场历史数据探索 数据集来源：Kaggle - Stocks Data 文件路径：./dataset/005/all_stocks_5yr.csv 1.1 背景与业务需求 股票市场是一个复杂的金融系统，价...
3. 特征工程
在数据探索后，我们需要进行特征工程，目的是选择合适的特征，并构造新的特征，以便后续的机器学习模型能更好地学习股票价格的变化规律。 3.1 特征选择 我们从原始数据中提取以下特征： 基本价...
4. 模型选择与构建
4.1 待选算法模型 在股票市场数据分析中，选择合适的模型是成功的关键。我们面临的任务是回归问题，即预测未来的股票收盘价。股票数据包含历史价格、交易量、技术指标等多个特征，且股市数据通...
5. 模型训练与评估
上述结论中，我们选择使用 XGBoost 模型进行股票市场的回归预测。 5.1 模型训练 5.1.1 数据准备与分割 首先，我们将数据分为训练集和测试集。一般来说，数据集的 80% 用于训练，20% ...
