Dworlock11/Understanding-EMS-Response-Times-in-NYC

# 理解纽约市的 EMS 响应时间 本项目是与 Arthur Faynin、Roderick Joshua 和 Harley Kaufman 合作完成的。 ## 摘要 我们的目标是建立一个模型，以分析和预测以秒为单位的 EMS 响应时间。预测和理解 EMS 响应时间背后的主要因素非常重要，可以帮助挽救生命并节省大量资金。本项目使用了来自 NYC Open Data 的 EMS Incident Dispatch 数据集，并训练了模型来预测列出的事件响应时间。工作流程包括数据预处理、探索性分析、模型训练、超参数调整和评估。 我们测试了多个模型，包括预测平均值的基线模型、正则化线性回归模型和随机森林模型。结果表明，线性回归模型的总体表现最好。我们使用了特征重要性分析来解释模型行为并识别关键的预测变量。 数据集：[系外行星数据集 (Kaggle)](https://www.kaggle.com/datasets/chandrimad31/phl-exoplanet-catalog?resource=download) ## 结构 Analysis.rmd # 主要分析 Final Report # 详细说明项目灵感、工作流程和结果的报告 ## 技术栈 - RMarkdown - rstudioapi, ranger, glmnet

标签：Apex, R语言, 回归分析, 应急响应时间预测, 数据科学, 智慧城市, 机器学习, 资源验证