lightgbm调参_Energy Consumption (能源消耗）预测（3）: lightgbm再立标杆

前言

前两篇文章，我们分析分别用了

琥珀里有波罗的海：Energy Consumption (能源消耗）预测（1）：从听说prophet 到预测​zhuanlan.zhihu.com

和

琥珀里有波罗的海：Energy Consumption (能源消耗）预测（2）: 传统季节信号分解PK prophet​zhuanlan.zhihu.com

对信号进行了分解。机器学习中一直流程的一段话：模型和特征工程决定了结果的极限，调参只是逼近这个极限。

所以本人一般不喜欢简单粗暴的调参，而是喜欢在模型上多试几次，或者在特征上变一下。

今天我们来用lightgbm 进行该数据集的预测。

为什么是ligbtgbm呢？ 我的理由有以下几点：

• lightgbm 属于tree 类型的模型，并且采用boosting技术 ，和prophet截然不同
• lightbgbm相比于同行xgboost，更快，适合我的CPU only 的笔记本 （重点）

lightgbm 简介

既然实战，我们就假设你听过lightgbm。如果是纯新手，可以看看官方文档。 听说有中文版的翻译，不过里面有少许的坑，比如因为更新不及时，导致缺少一些metrics的翻译等。 我们之前有用ligtgbm 硬train 多分类数据集。

琥珀里有波罗的海：多分类机器学习中数据不平衡的处理（NSL-KDD 数据集+lightgbm )​zhuanlan.zhihu.com

有兴趣的可以在阅读完本文去翻阅。两个文章属于不同的用法，一个是分类，一个是回归。

数据准备

首先导入一些库。这几个库都是必须的， lightgbm 可以创建模型，pandas处理数据，pyplot 画图，metrics 用来评判我们的模型。

import lightgbm as lgb
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.metrics import mean_absolute_error

首先读入数据，并且将时间字符串转换为Timestamp 格式。

file =