机器学习
文章平均质量分 73
若之卿
O(∩_∩)O
展开
-
【Datawhale AI夏令营】电力需求预测挑战赛 Task03
以两层为例,第一层由多个基学习器组成,其输入为原始训练集,第二层的模型则是以第一层基学习器的输出作为特征加入训练集进行再训练,从而得到完整的stacking模型。进行模型融合的前提是有多个模型的输出结果,比如使用catboost、xgboost和lightgbm三个模型分别输出三个结果,这时就可以将三个结果进行融合,最常见的是将结果直接进行加权平均融合。:使用过去的值作为当前预测的特征,例如,使用前一天的销售数据来预测后一天的销售。:计算时间序列的滚动窗口内的统计量,如平均值、最大值、最小值、总和等。原创 2024-07-15 23:42:55 · 890 阅读 · 0 评论 -
【Datawhale AI夏令营】电力需求预测挑战赛 后续研究方向
深度学习模型,特别是LSTM和其变体、transformer模型和其变体、大模型,已经在许多时间序列预测任务中显示出了优越的性能。时间序列预测是一个不断发展的领域,随着技术的进步,我们可以期待更多的优化方法和模型的出现。随着技术的不断发展,我们可以期待时间序列预测在准确性、效率和应用范围上都会有显著的提升。原创 2024-07-15 23:35:38 · 157 阅读 · 0 评论 -
吃瓜教程 | Datawhale 打卡(Task 01)
Datawhale 吃瓜教程 TASK01原创 2023-02-14 23:04:07 · 316 阅读 · 0 评论 -
机器学习算法(一): 基于逻辑回归的分类预测下
4.2 基于鸢尾花(iris)数据集的逻辑回归分类实践在实践的最开始,我们首先需要导入一些基础的函数库包括:numpy (Python进行科学计算的基础软件包),pandas(pandas是一种快速,强大,灵活且易于使用的开源数据分析和处理工具),matplotlib和seaborn绘图。Step1:库函数导入## 基础函数库import numpy as np import pandas as pd## 绘图函数库import matplotlib.pyplot as pltimpo原创 2021-02-25 15:52:56 · 207 阅读 · 0 评论 -
机器学习算法(一): 基于逻辑回归的分类预测上
机器学习算法(一): 基于逻辑回归的分类预测1 逻辑回归的介绍和应用1.1 逻辑回归的介绍逻辑回归(Logistic regression,简称LR)虽然其中带有"回归"两个字,但逻辑回归其实是一个分类模型,并且广泛应用于各个领域之中。虽然现在深度学习相对于这些传统方法更为火热,但实则这些传统方法由于其独特的优势依然广泛应用于各个领域中。而对于逻辑回归而且,最为突出的两点就是其模型简单和模型的可解释性强。逻辑回归模型的优劣势:优点:实现简单,易于理解和实现;计算代价不高,速度很快,存储资源低;原创 2020-12-15 19:32:05 · 330 阅读 · 1 评论