机器学习，深度学习电力需求预测#Datawhale AI 夏令营

task1

要求跑通baseline即可

  对于小白来说，通过跑通baseline，我熟悉了整个比赛的结果提交流程，明确了提交结果的格式，为后期学习指明了方向。

task 2

入门lightgbm ，开始特征工程

什么是特征工程？

特征工程（Feature Engineering）是机器学习和数据科学中的一个重要过程，它涉及使用领域知识、数据洞察和创造性来从原始数据中提取、选择、转换和创建特征，以更好地训练机器学习模型。特征工程的目的是提高模型的预测准确性、减少模型的过拟合、提高模型的泛化能力以及加快模型的训练速度。

特征工程通常包括以下几个步骤：

1. 特征选择（Feature Selection）：
   • 从原始数据集中选择最有用的特征。这有助于减少模型的复杂度，提高模型的训练速度和预测性能。
   • 常用的特征选择方法包括过滤法（如卡方检验、互信息）、包装法（如递归特征消除）和嵌入法（如基于树的特征选择）。
2. 特征构造（Feature Construction/Creation）：
   • 根据原始数据，通过组合、聚合或转换等方式创建新的特征。这通常需要领域知识和对数据集的深入理解。
   • 例如，在金融数据集中，可以通过计算收益率、波动率等统计指标来构造新的特征。
3. 特征提取（Feature Extraction）：
   • 从原始数据中自动提取高层次的特征。这通常涉及使用无监督学习算法（如PCA、LDA）或深度学习模型（如自编码器、卷积神经网络）来自动发现数据的结构。
   • 特征提取特别适用于处理高维数据或原始数据难以直接解释的情况。
4. 特征缩放（Feature Scaling）：
   • 将特征缩放到相同的尺度上，以避免某些特征在模型中占据主导地位。常用的缩放方法包括标准化（使数据的均值为0，标准差为1）和归一化（将数据缩放到0和1之间）。
5. 特征编码（Feature Encoding）：
   • 将非数值型特征（如类别型数据）转换为数值型特征，以便机器学习模型可以处理。常用的编码方法包括独热编码（One-Hot Encoding）、标签编码（Label Encoding）和二进制编码（Binary Encoding）。
6. 特征降维（Feature Reduction）：
   • 在不损失太多信息的前提下，减少特征的数量。这有助于减少模型的复杂度，提高训练速度，并可能提高模型的泛化能力。
   • 常用的降维方法包括主成分分析（PCA）、线性判别分析（LDA）和奇异值分解（SVD）。

特征工程是一个迭代的过程，通常需要多次尝试和验证才能找到最优的特征集。通过精细的特征工程，可以显著提高机器学习模型的性能。

运行过程中出现报错：TypeError: train() got an unexpected keyword argument ‘verbose_eval‘

通过查阅资料，发现是lighgbm包版本错误，卸载旧版本后，安装3.3.0版本即可解决。

task 3

尝试使用深度学习方案

什么是深度学习？

深度学习（Deep Learning, DL）是机器学习（Machine Learning, ML）领域中的一个重要分支，它通过学习样本数据的内在规律和表示层次，使得机器能够识别和理解诸如文字、图像和声音等复杂数据。深度学习以人工神经网络（Artificial Neural Networks, ANNs）为架构，通过多个处理层的深度网络对数据进行建模，从而实现对数据的自动学习和特征提取。

运行过程中报错No module named 'tensorflow'

通过安装tensorflow解决

首先打开cmd，然后使用pip命令（Python的包管理工具）来下载并安装TensorFlow库。输入pip install tensorflow（对于CPU版本）或pip install tensorflow-gpu（对于需要GPU加速的旧版本，但注意自TensorFlow 2.1起，GPU支持已合并到tensorflow包中），然后按回车键即可。安装完成后，TensorFlow库将被添加到Python环境中，通过导入TensorFlow并打印其版本来验证安装是否成功。