电力需求挑战赛进阶（Datawhale AI 夏令营）

        在前面的任务中，我们介绍了赛题并通过基于经验模型的Baseline完成了预测任务。在本次任务中，我们将使用更为先进的机器学习模型LightGBM来解决问题，以期获得更好的预测效果。你将学会如何使用数据集绘制柱状图和折线图，如何在时间序列数据中构建历史平移特征和窗口统计特征，并使用LightGBM模型进行训练和预测。

        特征工程在机器学习竞赛中是一个至关重要的环节。通过观察数据并结合领域知识来改进或构建新的特征，可以显著提高模型性能。正如经典的机器学习理论所言：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限的工具。

进阶思路Q&A

1. 解决该问题常见的几种思路是什么？

• 常见的解决方案包括使用机器学习模型（如LightGBM、XGBoost）或深度学习模型（如神经网络等）。机器学习模型操作简便，数据不需要过多预处理；深度学习模型则需要更复杂的模型构建和数值标准化处理。

2. 本教程使用什么思路？

• 在之前的任务中，我们使用基于均值的经验模型作为Baseline来解决问题。在本任务中，我们将转向机器学习模型，通过获取数据、特征提取和模型训练来解决问题。

3. 使用机器学习方法有哪几个步骤？

• 主要步骤包括探索性数据分析（EDA）、数据预处理、特征提取、训练集和验证集的划分、模型训练和结果预测。

进阶代码详解

（1）导入模块

import numpy as np
import