Analyse von Wahlergebnissen und Vorhersagen mithilfe von maschinellem Lernen

Anhand der Daten von Assembly Choices 2019 stellen wir einen Prozess vor, der auf Feature Engineering und einer Reihe von Algorithmen des maschinellen Lernens basiert, um die Leistung beim Zugriff auf denselben Datensatz zu prüfen und zu vergleichen. Die allgemeinen Grundsätze werden daher nicht nur Analysten und Informanten helfen, ihre Wahrnehmungen häufiger und effektiver zu präsentieren, sondern auch die Leser befähigen, je nach Interessenlage und gemeinschaftlichem Engagement, über das Präsentierte hinauszugehen und neue Wahrnehmungen für sich selbst zu entdecken.