- 博客(3)
- 收藏
- 关注
RSS订阅原创 Datawhale AI夏令营 机器学习Task3 笔记打卡
经过训练，最终LightGBM的表现最好，每一折上的MAE为：[6.7571203686390335, 6.730582989827899, 6.724678885249694, 6.733685712828951, 6.730582989827899]；我们将三者取平均融合，最终的上分结果为：236.60.整体结果还是有一定收获，算是上了些分，但是不如做好特征工程的LightGBM。随后，我们可以尝试融合多个模型的方法，“三个臭皮匠，顶个诸葛亮”，在集成中收获好的结果不失为一种策略。
2024-07-20 14:25:01
429
原创 Datawhale AI夏令营 机器学习Task1 笔记打卡
严格来讲，baseline并没有使用机器学习模型来预测，而是使用了均值填充的方法做预测。从训练集中选取时间小于等于20的数据，按照房屋ID分组，计算每组的 电力消耗目标值（target）的均值。首先简单的分析一下赛题，给定多个房屋对应电力消耗历史N天的相关序列数据等信息，预测房屋对应电力的消耗。使用简单的均值填充做预测，在我看来可能太过简单粗暴了，不能很好的捕捉数据的动态变化规律。这是本人第一次尝试Datawhale的夏令营学习，学习任务是参加科大讯飞举办的机器学习赛事——电力需求预测挑战赛。
2024-07-14 15:08:17
394
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