- 博客(3)
- 收藏
- 关注
RSS订阅原创 Datawhale AI 夏令营——机器学习——电力需求预测挑战赛——Task3学习笔记
最常见的方式是进行加权平均融合，即对不同模型的预测结果赋予不同的权重，然后将加权后的结果作为最终预测输出。第二层：将第一层多个模型的预测结果作为新的特征，然后训练第二层模型，得到最终的Stacking模型。基本原理： Stacking是一种分层模型集成框架，分为两层：第一层由多个基学习器组成，第二层的模型由第一层基学习器的输出作为特征进行再训练，从而得到完整的Stacking模型。实现流程： 按照给定的权重对每个模型的预测结果进行加权平均，得到最终的融合结果。
2024-07-20 20:13:03
363
原创 Datawhale AI 夏令营——机器学习——电力需求预测挑战赛——Task2学习笔记
LightGBM（Light Gradient Boosting Machine）是一个实现GBDT算法的框架，具有高效率的并行训练、更快的训练速度、更低的内存消耗、更好的准确率等优点。在进阶代码示例中，我们看到了完整的代码流程，包括导入模块、探索性数据分析（EDA）、特征工程、模型训练与测试集预测。这里的关键优势在于使用简单的机器学习方法，而无需进行过多的数据预处理。探索性数据分析是数据准备阶段的关键一步，通过读取训练数据和测试数据，并进行基本的数据展示，有助于我们对数据有初步的了解。
2024-07-17 22:11:05
305
原创 #AI夏令营 #Datawhale #夏令营 机器学习 电力需求预测挑战赛笔记
电力需求预测挑战赛的任务是训练时序预测模型来助力电力需求的准确预测。此预测对电网的稳定运行、能源的有效管理以及可再生能源的整合非常重要。赛题数据包含训练集和测试集。为了保证比赛的公平性，每日日期进行脱敏，用1-N进行标识。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。通过学习这份代码，我了解了利用时序数据进行电力需求预测的简单方法，包括数据处理、特征工程和结果存储等流程。同时也了解了Python中。
2024-07-13 20:22:41
321
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