Cab Fare Prediction

Кабина-пластинка

Папка GitHub содержит:

1. R код проекта в '.r Format': прогноз за прокат CAB с использованием RR
2. Код проекта Python в '.ipynb format': прогноз за прокат CAB с использованием python.ipynb
3. Отчет о проекте: Прогнозирование проезда CAB.PDF
4. Задача проблемы.pdf
5. Сохраняемая модель, обученная цельному набору данных с Python: CAB_FARE_XGBOOST_MODEL.RAR
6. Сохраняемая модель, обученная цельному набору данных с Python: final_xgboost_model_using_r.rar
7. Прогнозы в тестовом наборе данных в формате CSV: прогнозы_XGBOOST.CSV

Запись о проблеме

Цель этого проекта состоит в том, чтобы предсказать сумму за прокат CAB, основанную на следующих атрибутах данных в наборе данных, следующие:

 pickup_datetime - timestamp value indicating when the cab ride started.
pickup_longitude - float for longitude coordinate of where the cab ride started.
pickup_latitude - float for latitude coordinate of where the cab ride started.
dropoff_longitude - float for longitude coordinate of where the cab ride ended.
dropoff_latitude - float for latitude coordinate of where the cab ride ended.
passenger_count - an integer indicating the number of passengers in the cab ride.

Это проблема регрессии.

Все шаги, выполненные в этом проекте

1. Предварительная обработка данных.
2. Визуализация данных.
3. Анализ выброса.
4. Анализ недостающих стоимости.
5. Выбор функций.

• Корреляционный анализ.
• Тест хи-квадрат.
• Анализ дисперсионной (ANOVA) тест
• Испытание на мультиколлинеарность.

6. Масштабирование функций.

• Нормализация.

7. Разделение на набор данных поезда и проверки.
8. Оптимизация гиперпараметра.
9. Разработка модели I. Линейная регрессия II. Регрессия хребта III. Лассо регрессия IV. Дерево решений V. Случайный лес
10. Повышение точности a) Настройка алгоритма b) ансамбли ------ xgboost для регрессии. Дополнительная модель A) Прогнозы в наборе данных валидации B) Создайте автономную модель на весь набор учебного заведения C) Сохранить модель для последующего использования
11. Код Python