- 博客(4)
- 收藏
- 关注
RSS订阅原创 Datawhale AI 夏令营(2024.07.27深度学习-生命科学)
torch.save(model.state_dict(), os.path.join(output_dir, "best.pt".format(epoch))) # 保存最佳模型。val_targets.extend(targets.cpu().numpy()) # 收集目标值。val_preds.extend(outputs.cpu().numpy()) # 收集预测值。best_model = model.state_dict().copy() # 更新最佳模型。
2024-07-27 17:10:07
774
原创 Datawhale AI 夏令营(2024.07.20机器学习)
时间序列预测是一个不断发展的领域，随着技术的进步，我们可以期待更多的优化方法和模型的出现。深度学习模型，特别是LSTM和其变体，已经在许多时间序列预测任务中显示出了优越的性能。更复杂的模型结构：如引入注意力机制的LSTM模型，以更好地捕捉时间序列中的长期依赖关系。多模态数据融合：结合时间序列数据和其他类型的数据，如文本或图像，以提供更全面的分析。模型解释性：提高模型的可解释性，以便更好地理解预测结果。自动化特征工程：开发自动化的特征工程工具，以减少手动特征提取的工作量。实时预测。
2024-07-20 12:43:35
1007
原创 Datawhale AI 夏令营(2024.07.15机器学习)
其中id为房屋id，dt为日标识，训练数据dt最小为11，不同id对应序列长度不同；type为房屋类型，通常而言不同类型的房屋整体消耗存在比较大的差异；target为实际电力消耗，也是我们的本次比赛的预测目标。下面进行简单的可视化分析，帮助我们对数据有个简单的了解。不同type类型对应target的柱状图基本代码：figure()函数用于创建画布；bar()函数用于绘制条形柱状图（括号内为条形图内部参数）；label()函数用于设定图像的纵横坐标；title()函数用于指定图像标题。
2024-07-15 21:24:10
307
原创 Datawhale AI 夏令营(2024.07.13机器学习)
赛题数据由训练集和测试集组成，为了保证比赛的公平性，将每日日期进行脱敏，用1-N进行标识。即1为数据集最近一天，其中1-10为测试集数据。数据集由字段id（房屋id）、 dt（日标识）、type（房屋类型）、target（实际电力消耗）组成。
2024-07-13 22:38:06
296
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人