市场博弈和价格预测Task2#AI夏令营#Datawhale

TASK2#Datawhale

在Task1提供的baseline中，对于将转换耗煤量为机组报价，简单的采取了线性回归的方式，拟合估计价格到真实市场出清价格。主要对线性回归进行了修改，转而采用了支持向量机（SVM）最终的线性核进行替代。

# 创建支持向量回归模型实例，这里使用线性核
svr_model = SVR(kernel='linear')

# 55392为训练集的长度
train_length = 55392

# 将prices转换为二维数组
prices = np.array(prices).reshape(-1, 1)

# 提取训练集特征数据
X = prices[:train_length]

# 提取训练集目标变量数据
y = electricity_price["clearing price (CNY/MWh)"].iloc[:train_length].values.reshape(-1, 1)

# 训练支持向量回归模型
svr_model.fit(X, y)

其余部分均未修改，获得了分数上的提高。
由原来的12939提高到17351。

在以下这些情况，应用SVM效果更好：
1.非线性问题：如果数据点之间的关系是非线性的，SVM可以通过使用非线性核函数（如径向基函数RBF、多项式核等）来有效地映射到高维空间，找到非线性的决策边界。
2.泛化能力：SVM通过最大化间隔来提高模型的泛化能力，这使得它在面对复杂问题时，相比线性回归，可能有更好的预测性能。
3.过拟合问题：当数据集较小或模型过于复杂时，线性回归可能会过拟合。SVM通过正则化参数控制模型复杂度，有助于避免过拟合。
4.特征选择：SVM在训练过程中自然地进行特征选择，因为只有支持向量会影响最终的决策边界。这在特征数量很多时非常有用。

在本题情况中，由于受到多方面因素的影响，耗煤量与机组报价之间显然是一个非线性问题。