一、概述
作为机器学习小白,这是第一次接触机器学习,而且作为研0学生,希望借助这次机会,能够初窥机器学习之门槛,并应用于在日后的科研工作中。
这次AI机器学习夏令营基于讯飞开放平台“电力需求预测挑战赛”开展的实践学习,在实际项目中锻炼能力。
二、赛题要求及任务
此次赛题任务是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。赛题数据提供训练集和测试集两部分,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。最终预测结果以平均平方誤差作为评判依据。
三、task1-代码
在task1中,各位老师提供了已经写好的baseline,让我们一键跑通先进行体验。按照教程跑完后显示的结果是373.9,代码如下:
# 1. 导入需要用到的相关库
# 导入 pandas 库,用于数据处理和分析
import pandas as pd
# 导入 numpy 库,用于科学计算和多维数组操作
import numpy as np
# 2. 读取训练集和测试集
# 使用 read_csv() 函数从文件中读取训练集数据,文件名为 'train.csv'
train = pd.read_csv('train.csv')
# 使用 read_csv() 函数从文件中读取测试集数据,文件名为 'test.csv'
test = pd.read_csv('test.csv')
# 3. 计算训练数据最近11-20单位时间内对应id的目标均值
target_mean = train[train['dt']<=20].groupby(['id'])['target'].mean().reset_index()
# 4. 将target_mean作为测试集结果进行合并
test = test.merge(target_mean, on=['id'], how='left')
# 5. 保存结果文件到本地
test[['id','dt','target']].to_csv('submit.csv', index=None)
四、理解和思考
其中每个步骤的代码注释都讲解的十分清楚了,其中第三步骤的意思是:从训练集中筛选出 dt
小于20的记录,然后按 id
分组计算 target
列的均值,并重置索引。要注意的是这里的计算方式是均值,将计算得出的均值(target)置入test文件(没有target),之后生成新的submit文件。
test文件中只有 ‘dt’ 1到10数据,train中提供 ‘dt’ 大于11的数据。按照我的理解, ‘dt’ 1到10的数据是我们要求预测的数据(根据train中提供的数据),怎么样预测的更准确就是我们后续要从算法层面优化的部分了。
由于代码中的计算方式是均值,我在后续的尝试中,将计算均值的范围进行了三次调整,分别拓展到200、300和400,但毫无意义,最终结果反而越来越差,这也和我预想的一样。均值这种计算方式用来预测十分不准确,将 ‘dt’ 范围扩大后,会造成更加不准确的结果。
后续使用机器学习的方法进行优化,应该会让预测结果更贴近真实情况。