正文

kaggle數(shù)據(jù)集（kaggle數(shù)據(jù)集怎么下載）

發(fā)布時間：2023-04-08 18:14:22 稿源：創(chuàng)意嶺閱讀： 134

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于kaggle數(shù)據(jù)集的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、論文里的公開數(shù)據(jù)集能不能不寫出來
2、人工神經(jīng)網(wǎng)絡(luò)預(yù)測信貸的意義
3、不同貨物類型對應(yīng)的訂單投訴率不同,如何分析驗證猜想
4、參加天池比賽要什么水平

kaggle數(shù)據(jù)集（kaggle數(shù)據(jù)集怎么下載）

一、論文里的公開數(shù)據(jù)集能不能不寫出來

能。論文里的公開數(shù)據(jù)集能不寫出來，但是必須引用提出數(shù)據(jù)集的論文，如果沒有發(fā)論文，如在kaggle上在線發(fā)布的數(shù)據(jù)集，也要以網(wǎng)絡(luò)資源的形式進行引用。

二、人工神經(jīng)網(wǎng)絡(luò)預(yù)測信貸的意義

人工神經(jīng)網(wǎng)絡(luò)算法的信用風(fēng)險預(yù)測

信用風(fēng)險或信用違約表明未償還已提供給客戶的銀行金融服務(wù)的可能性。信貸風(fēng)險一直是銀行貸款決策中廣泛研究的領(lǐng)域。信用風(fēng)險對銀行和金融機構(gòu)，特別是對商業(yè)銀行而言，起著至關(guān)重要的作用，并且始終難以解釋和管理。由于技術(shù)的進步，銀行已經(jīng)設(shè)法降低成本，以便開發(fā)強大而復(fù)雜的系統(tǒng)和模型來預(yù)測和管理信貸風(fēng)險。

為了預(yù)測信用違約，已經(jīng)創(chuàng)建并提出了幾種方法。方法的使用取決于銀行和金融機構(gòu)的復(fù)雜程度，貸款的規(guī)模和類型。常用的方法是判別分析。這種方法使用了有助于決策的得分函數(shù)，而一些研究人員由于其限制性假設(shè)而對區(qū)分分析的有效性表示懷疑。變量之間的正態(tài)性和獨立性[4]。人工神經(jīng)網(wǎng)絡(luò)模型的創(chuàng)建是為了克服其他效率低下的信用違約模型的缺點。

本文的目的是研究神經(jīng)網(wǎng)絡(luò)算法解決預(yù)測信用違約問題的能力，該能力衡量一段時間內(nèi)貸款申請的信用度。前饋神經(jīng)網(wǎng)絡(luò)算法被應(yīng)用于銀行的住宅抵押貸款應(yīng)用的小型數(shù)據(jù)集，以預(yù)測信用違約。模型的輸出將生成一個二進制值，該值可用作分類器，以幫助銀行識別借款人是否違約。本文將采用一種經(jīng)驗方法，該方法將討論兩個基于神經(jīng)網(wǎng)絡(luò)的模型，并且將通過訓(xùn)練和驗證有關(guān)住宅抵押貸款申請的模型來報告實驗結(jié)果。作為該方向的最后一步，還對數(shù)據(jù)集執(zhí)行了線性回歸方法。

2方法論

2.1數(shù)據(jù)

數(shù)據(jù)是從kaggle.com（貸款俱樂部貸款數(shù)據(jù)）收集的，其中包含850萬條記錄。從數(shù)據(jù)集中抽取了60

因變量： loan_status（0和1）；如果借款人將違約，那么投資將是不良的；如果借款人不違約，則他或她將能夠償還全部貸款額。因此，要區(qū)分神經(jīng)網(wǎng)絡(luò)，0表示借方將違約，而1表示借方將不違約。

自變量：以下變量被視為自變量，loan_amnt，funded_amnt，emp_length，等級，funded_amnt_inv，期限，int_rate，分期付款，year_inc，issue_d和application_type

2.2模型

在這項研究中，使用了經(jīng)典的前饋神經(jīng)網(wǎng)絡(luò)。前饋網(wǎng)絡(luò)由一個具有10個輸入變量的輸入層，7個隱藏層和一個具有代表分類器的神經(jīng)元的輸出層組成。使用監(jiān)督學(xué)習(xí)算法（反向傳播算法）對網(wǎng)絡(luò)進行訓(xùn)練。該算法通過最小化實際和期望輸出之間的誤差來優(yōu)化神經(jīng)元權(quán)重。對于神經(jīng)元i，權(quán)重將通過公式進行更新，其中f為學(xué)習(xí)系數(shù)是隱藏層的輸出，算法將一直運行到找到停止標準為止。

對于圖3所示的神經(jīng)網(wǎng)絡(luò)算法，必須仔細選擇參數(shù)，例如f的值以及神經(jīng)元數(shù)和隱藏層數(shù)。在圖3中，連接由每層之間的黑線表示和權(quán)重，藍線顯示每個步驟中的偏差（模型的截距）。網(wǎng)絡(luò)是一個黑匣子，訓(xùn)練算法可以在融合時隨時使用。同樣，已經(jīng)從提取的數(shù)據(jù)集中為網(wǎng)絡(luò)算法創(chuàng)建了一個隨機樣本。然后創(chuàng)建一個訓(xùn)練和測試數(shù)據(jù)集，分別用于訓(xùn)練模型和驗證模型的性能。

圖3：信用違約模型的神經(jīng)網(wǎng)絡(luò)圖

3實驗與結(jié)果

已將10個歸一化變量作為按順序排列的輸入作為網(wǎng)絡(luò)輸入。網(wǎng)絡(luò)的輸出是一個分類器，結(jié)果為0和1。首先，已檢查數(shù)據(jù)是否缺少數(shù)據(jù)點值，沒有數(shù)據(jù)丟失；無需修復(fù)數(shù)據(jù)集。輸入的相關(guān)矩陣如圖4所示。

圖4：輸入數(shù)據(jù)集的相關(guān)圖

訓(xùn)練完數(shù)據(jù)集后，將在測試數(shù)據(jù)集上對其進行測試。為了基于其他輸入來計算輸出，已使用了計算功能。將7個隱藏層添加到網(wǎng)絡(luò)并創(chuàng)建了模型。網(wǎng)絡(luò)已生成以下結(jié)果矩陣：

表1：經(jīng)典前饋神經(jīng)網(wǎng)絡(luò)的結(jié)果矩陣

屬性

值

錯誤

322.833

達到閾值

0.0998

腳步

6765

總共需要6765個步驟，直到誤差函數(shù)的所有導(dǎo)數(shù)都小于默認閾值（0.01）。在實現(xiàn)經(jīng)典的前饋算法之后，通過使用學(xué)習(xí)速率為0.01的反向傳播算法實現(xiàn)了另一個模型。經(jīng)典過程和反向傳播過程具有幾乎相同的錯誤率。因此，經(jīng)典模型擬合不如反向傳播算法令人滿意。

圖5：輸入的廣義權(quán)重

表2：預(yù)測輸出與期望輸出的比較

實際

預(yù)測

火柴

0.0032

真正

0.00017

真正

0.0114

真正

1個

0.985

真正

0.0060

真正

0.0132

真正

0.9704

假

0.0101

真正

1個

0.00128

真正

最后，將線性回歸應(yīng)用于數(shù)據(jù)集以比較兩種算法的準確性。glm（）函數(shù)已用于擬合線性回歸模型。對于回歸，已分配了大于0.5的概率，如果回歸中的預(yù)測值大于0.5，則該值為1，否則為0。已經(jīng)通過合并錯誤分類誤差來計算準確性，并且混淆矩陣的計算也如圖6所示。。

圖6：混淆矩陣和線性回歸統(tǒng)計

為了強調(diào)比較，已計算了線性回歸和神經(jīng)網(wǎng)絡(luò)的均方誤差，如表3所示。從表中可以看出，兩個過程的均方誤差大致相同，因此兩個過程都相同工作。有必要知道，MSE中的偏差取決于訓(xùn)練和測試劃分。

表3：兩個過程的均方誤差

MSE神經(jīng)網(wǎng)絡(luò)

MSE線性回歸

0.0220449

0.0227334

4。結(jié)論

本文研究了人工神經(jīng)網(wǎng)絡(luò)和線性回歸模型來預(yù)測信用違約。兩種系統(tǒng)都已經(jīng)過kaggle.com提供的貸款數(shù)據(jù)培訓(xùn)。兩種系統(tǒng)的結(jié)果對數(shù)據(jù)集均顯示出相同的效果，因此非常有效，通過人工神經(jīng)網(wǎng)絡(luò)的準確率為97.67575％，準確率為97.69609％。系統(tǒng)對輸出變量的分類正確，誤差很小。因此，這兩個過程都可以用來識別信用違約率。而且，神經(jīng)網(wǎng)絡(luò)代表黑匣子方法，因此與線性回歸模型相比，難以解釋結(jié)果。因此，使用哪種模型取決于必須使用的應(yīng)用程序。此外，在使用神經(jīng)網(wǎng)絡(luò)過程擬合模型時，用戶需要格外注意屬性和數(shù)據(jù)規(guī)范化以提高性能?？傊?，神經(jīng)網(wǎng)絡(luò)提供了強有力的證據(jù)來有效預(yù)測貸款申請的信用違約。

神經(jīng)網(wǎng)絡(luò)算法具有廣泛的應(yīng)用范圍，不僅對住宅抵押至關(guān)重要。其他應(yīng)用可以是由公司發(fā)行的債券評級，通常稱為債券評級，對可以持續(xù)使用長達一年的短期投資進行評級，對本地和外幣的長期和短期評級，主權(quán)或國家評級。通過使用適當?shù)乃惴ê图夹g(shù)，可以進一步增強預(yù)測系統(tǒng)，以為應(yīng)用程序分配信用等級。

題庫

三、不同貨物類型對應(yīng)的訂單投訴率不同,如何分析驗證猜想

對于投訴的分析可以分為兩條線。一條線是分析投訴的處理過程，涉及到處理了多少客戶投訴，平均處理時長有多少，一次解決率有多少，承諾時限內(nèi)解決率有多少，客戶滿意率水平如何等，分析的是客服對于客戶投訴訴求的處理效率和效果；

undefined

另一條線則是對客戶投訴內(nèi)容的分析，涉及到投訴的主要原因是哪些，那些排在前面的原因過去幾個月甚至更長時間有沒有變化，新出現(xiàn)的投訴原因是什么，投訴人的問題有哪些，投訴政策、流程、宣傳承諾等問題有哪些，投訴產(chǎn)品和服務(wù)的又有哪些。

對于投訴處理線的分析，主要側(cè)重于投訴處理效率和效果的分析，也就是上面提到的那些主要指標；對于客戶投訴內(nèi)容與原因的分析常用方法主要包括構(gòu)成分析（從不同的維度分析各類占比，優(yōu)先關(guān)注占比最大的類別），趨勢分析（觀察主要投訴指標以及某系具體投訴根源的變化趨勢），排列分析（也叫帕累托分析，識別投訴根源解決的優(yōu)先級），疑難分析（主要針對長期懸而未決的客訴進行根源及解決瓶頸的分析），根源分析（顧名思義，剔除根源則投訴減少直至消失，常用的方法如魚骨圖和5個WHY等）

需要注意的是，有些問題根源的分析是需要跨部門完成的。每個職能部門都會有自己的專業(yè)性和做事的邏輯，只憑客服的一己之力在很多問題上可能抓不到真正的根源或原因。這就需要企業(yè)建立客戶投訴協(xié)同處理機制，對于客服匯總的主要投訴原因一起排障、定位，確定根源。

最后一步則是分析的落地。如果投訴分析報告不能促動改進行動的話，一切分析都是徒勞的。面對分析完的數(shù)據(jù)給出改進建議，并追蹤和督促改進方案的實施與反饋，并由此進入投訴處理工作的正向循環(huán)。

打開CSDN APP，看更多技術(shù)內(nèi)容

PMP-序論_孟意昶的博客

項目管理整體思路: 1.過程 2.業(yè)務(wù)環(huán)境 3.人員 PMBOK內(nèi)容 #前三章考試占比不高1.引論 2.項目運行環(huán)境 3.項目經(jīng)理的角色 4.整合管理#有接口的地方就有整合 5.范圍管理#對標與快速迭代 6.進度管理#關(guān)鍵路徑定時間,非關(guān)鍵路徑借資...

繼續(xù)訪問

jmeter場景設(shè)計:業(yè)務(wù)占比_全棧測試筆記的博客

業(yè)務(wù)占比混合場景設(shè)計混合場景,兩個業(yè)務(wù)的業(yè)務(wù)占比分別是60%和40%,我們可以使用吞吐量控制器百分比模式, 場景設(shè)計如下:只是為了測試,所以設(shè)計5個線程循環(huán)2次,總共10次業(yè)務(wù)一:吞吐量百分比設(shè)置為60 事務(wù) 業(yè)務(wù)二:吞吐量百分比設(shè)置為40...

繼續(xù)訪問

基于大數(shù)據(jù)的運營商客戶投訴熱點分析.pdf

數(shù)據(jù)分析實戰(zhàn)項目-蛋殼公寓投訴分析

把黑貓上關(guān)于蛋殼公寓的投訴內(nèi)容爬取了下來并進行了分析，手把手帶你進行完整的數(shù)據(jù)分析實戰(zhàn)項目，從數(shù)據(jù)獲取到數(shù)據(jù)的清洗和分析

繼續(xù)訪問

大數(shù)據(jù)技能大賽題目(高職組,模塊C和D)_大數(shù)據(jù)省賽有多少模塊_-starshine...

為探索各大外賣平臺的市場策略與經(jīng)營模式,現(xiàn)已從平臺獲取到了原始數(shù)據(jù)集,包含“餐廳id,retailer_id,餐廳名稱,城市,商戶業(yè)務(wù)包,配送范圍,客單價,推單數(shù),接單數(shù),有效完成單數(shù),投訴率,異常率,欺詐單數(shù),拒單數(shù),商戶取消數(shù),客戶取消數(shù),系統(tǒng)...

繼續(xù)訪問

數(shù)據(jù)指標系列:電商數(shù)據(jù)分析指標體系總結(jié)V1.0_普通網(wǎng)友的博客-CSDN博 ...

電商及零售行業(yè)核心三要素的是人、貨、場。電商數(shù)據(jù)分析中的核心公式是流量*轉(zhuǎn)化率*客單價,以商品為核心,組成了供應(yīng)商→經(jīng)營主體(一般為店鋪)→客戶的業(yè)務(wù)鏈條,以包含市場競爭在內(nèi)的業(yè)務(wù)框架為基礎(chǔ),根據(jù)不同的業(yè)務(wù)目的進行數(shù)據(jù)分析。...

繼續(xù)訪問

基于深度學(xué)習(xí)的用戶投訴預(yù)測模型研究

用戶投訴預(yù)測模型能有效地降低電信用戶投訴率，對企業(yè)提高用戶滿意度和競爭力有著至關(guān)重要的作用。在模型訓(xùn)練過程中，由于人工設(shè)計特征的缺陷和設(shè)計過程中存在難以預(yù)估的復(fù)雜性，使得模型預(yù)測的精度和設(shè)計特征的效率不能有很大的提升。針對上述問題，提出了一種基于深度學(xué)習(xí)的用戶投訴預(yù)測模型。該模型通過深層網(wǎng)絡(luò)特征學(xué)習(xí)單元能從電信用戶原始數(shù)據(jù)中自動學(xué)習(xí)到適合分類器分類的高層非線性組合特征，并將這些高層特征輸入到傳統(tǒng)分類器中來提高模型的精度。通過實驗結(jié)果分析，預(yù)測模型在AUC指標上比以往用戶投訴模型提升了7.1%，證明了該模型自動學(xué)習(xí)特征的有效性和深度學(xué)習(xí)在電信大數(shù)據(jù)領(lǐng)域的可用性。

crm系統(tǒng)如何處理好客戶投訴問題？

什么是投訴？那就是客戶對企業(yè)的產(chǎn)品服務(wù)或投訴處理過程本身不滿意的標識，其中明確或隱含地期望得到回應(yīng)或解決。有客戶就少不了客戶投訴，尤其是當產(chǎn)品出現(xiàn)質(zhì)量問題的時候，客戶會第一時間打電話到企業(yè)投訴。處理客戶投訴可以說非常的重要，一旦沒有認真處理好，很可能會流失了一個客戶，流失一個老客戶的損失成本相當于開拓五個新的客戶的成本。

繼續(xù)訪問

Jmeter測試中如何控制業(yè)務(wù)比例_weixin_34148340的博客

在進行多業(yè)務(wù)混合場景測試中,需要分配每個場景占比。具體有兩種方式: 1.多線程組方式; 2.邏輯控制器控制; 第一種: jmeter一個測試計劃可以添加多個線程組,我們把不同的業(yè)務(wù)放在不同的線程組中,通過控制線程數(shù)來控制業(yè)務(wù)占比。線程...

繼續(xù)訪問

第三篇:【重磅】呼叫中心運營指標KPI字典_wyz191的博客

在一個自然月當中,客戶人均通過熱線人工或自助方式進行投訴的次數(shù)。 159 人均需求建議量在一個自然月當中,客戶人均通過熱線提出需求或建議的次數(shù)。 160 熱線業(yè)務(wù)查詢占電子渠道業(yè)務(wù)查詢比自有電子渠道受理的業(yè)務(wù)查詢量中,通過熱線...

繼續(xù)訪問

公司 • Google財報-歷年營收數(shù)據(jù)及業(yè)務(wù)占比

繼續(xù)訪問

魚骨圖分析法實際案例_淺談解決問題方法之魚骨圖法

世界上使社會變得偉大的人，正是那些有勇氣在生活中嘗試和解決人生新問題的人！——泰戈爾魚骨圖（又名因果圖、石川圖），指的是一種發(fā)現(xiàn)問題“根本原因”的分析方法，現(xiàn)代工商管理教育將其劃分為問題型、原因型及對策型魚骨圖等幾類。魚骨圖方法的類型有以下幾種：1、整理問題型魚骨圖（各要素與特性值間不存在原因關(guān)系，而是結(jié)構(gòu)構(gòu)成關(guān)系）2、原因型魚骨圖（魚頭在右）3、對策型魚骨圖（魚頭在左，特性值通常以“如何提高...

繼續(xù)訪問

制造業(yè)如何進行質(zhì)量數(shù)據(jù)分析？附教程，內(nèi)含大量分析圖表！

目前很多制造型企業(yè)擁有了MES、ERP、SPC等業(yè)務(wù)系統(tǒng)，獲得了大量的數(shù)據(jù)。然而在跨工廠、跨系統(tǒng)的異構(gòu)數(shù)據(jù)中，如何找到生產(chǎn)各個環(huán)節(jié)的規(guī)律和異常，如何獲得優(yōu)化見解，是制造型企業(yè)面臨的關(guān)鍵挑戰(zhàn)。通過數(shù)據(jù)分析提升產(chǎn)品質(zhì)量，提高產(chǎn)品合格率、成品率則是企業(yè)發(fā)展的下一步抓手。一、制造業(yè)質(zhì)量數(shù)據(jù)分析遇到的難點： 1、產(chǎn)品質(zhì)量缺陷追溯周期長，找尋規(guī)律較慢。 2、數(shù)據(jù)跨工廠/跨車間/跨業(yè)務(wù)系統(tǒng)，只做數(shù)據(jù)展示，無法關(guān)聯(lián)分析。 3、數(shù)據(jù)不全，數(shù)據(jù)準確性不穩(wěn)定，數(shù)據(jù)分析決策支持功能弱。 4、很難發(fā)現(xiàn)經(jīng)驗已知之外的影

繼續(xù)訪問

ccm 客戶投訴處理系統(tǒng) 數(shù)據(jù)庫

ccm 配套數(shù)據(jù)庫，全，配合源碼用！ Jovin 測試

美國金融客戶投訴數(shù)據(jù)分析

美國金融客戶投訴數(shù)據(jù)分析 1. 提出問題 1、平均每月會收到多少次投訴？ 2、投訴最多的是哪一種金融產(chǎn)品？ 3、投訴最多的公司？ 4、平均投訴處理時長。 5、投訴途徑主要有哪些？ 6、投訴者的地區(qū)如何？ 7、投訴最多的問題有哪些？ 2. 理解數(shù)據(jù) 【數(shù)據(jù)來源：https://www.kaggle.com/cfpb/us-cons】每個公司都有多款金融產(chǎn)品，產(chǎn)品在各個區(qū)域發(fā)售，...

繼續(xù)訪問

什么是客訴率？如何應(yīng)對客訴率的問題

什么是客訴率就是不滿意客戶除以總客戶的百分比，用來看客戶滿意度的如何計算客訴率方法一：客戶投訴率=投訴客戶數(shù)÷總客戶數(shù)；方法二：客戶投訴次數(shù)÷客戶溝通次數(shù)。客戶投訴是消費者對商家的服務(wù)態(tài)度，產(chǎn)品質(zhì)量等各方面的原因，向商家部門反應(yīng)情況，檢舉問題，并要求得到一定補償?shù)囊环N手段。如今社會這種事情發(fā)生頻率越來越高，這是促進進步的表現(xiàn)。促使競爭更強烈，產(chǎn)品質(zhì)量更好，服務(wù)態(tài)度更好。那么針對消費者遇到問題時就要進行投訴以保個人利益的舉動我們應(yīng)該采取怎樣的措施應(yīng)對呢。一般分為以下幾種：合理看待客

繼續(xù)訪問

奧馬電器2019年金融科技相關(guān)業(yè)務(wù)占比不足3% 營收2個億虧損5個億

文｜林小林出品｜公司研究室 4月29日，奧馬電器發(fā)布2019年年度報告和2020年第一季度業(yè)績報告。公告顯示，2019年奧馬電器實現(xiàn)營業(yè)收入約 73.93億元。由于受疫情影響，2020第一季度奧馬電器實現(xiàn)營業(yè)收入13.17億元。公司研究室注意到，從財報信息看，這家曾以冰箱制造銷售為主業(yè)的電器公司，轉(zhuǎn)型金融科技已瀕于失敗。金融科技板塊營收下滑9成財報顯示，奧馬電器2020年第一季度歸屬于上市公司股東的凈利潤640萬元，同比減少92.98%。奧馬電器認為，利潤下降9成的原因，一方面是轉(zhuǎn)讓了全資子公司廣

繼續(xù)訪問

最新發(fā)布 AI智能會話分析如何幫助運營商實現(xiàn)減少客訴

DuDuTalk會話智能分析解決方案依托先進的硬件設(shè)備和高科技技術(shù)，幫助運營商行業(yè)把控員工溝通過程的關(guān)鍵節(jié)點，優(yōu)化服務(wù)質(zhì)量，打造良好的企業(yè)形象和口碑。通過硬件的語音采集和軟件的AI技術(shù)，管理者可以更加清晰地了解到不同員工的長板和短板，對不同員工進行針對性的培訓(xùn)和指導(dǎo)。大多數(shù)省、市級運營商都有一套標準化的處理客戶投訴的體系，但因為服務(wù)過程缺乏監(jiān)管、客訴問題難以追溯等問題，導(dǎo)致客訴改善情況不佳，每年都要付出巨大的降低客訴的成本。

繼續(xù)訪問

2021年全國職業(yè)院校技能大賽 “大數(shù)據(jù)技術(shù)與應(yīng)用”—模擬賽題（三）

2021年全國職業(yè)院校技能大賽 “大數(shù)據(jù)技術(shù)與應(yīng)用” ——模擬賽題（三）持續(xù)更新相關(guān)賽題，包括2021年國賽模擬題10套、2019年廣東省真題賽題、相關(guān)比賽技巧、難點突破技巧等等，需要的關(guān)注小編或者公眾號 NoWrite

繼續(xù)訪問