- 博客(3)
- 收藏
- 关注
RSS订阅原创 Datawhale AI夏令营机器学习Task3尝试使用深度学习方案
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。深度学习模型，特别是LSTM和其变体，已经在许多时间序列预测任务中显示出了优越的性能。更复杂的模型结构：如引入注意力机制的LSTM模型，以更好地捕捉时间序列中的长期依赖关系。多模态数据融合：结合时间序列数据和其他类型的数据，如文本或图像，以提供更全面的分析。模型解释性：提高模型的可解释性，以便更好地理解预测结果。自动化特征工程：开发自动化的特征工程工具，以减少手动特征提取的工作量。实时预测。
2024-07-20 23:09:18
1493
原创 Datawhale AI夏令营机器学习Task2入门lightgbm，开始特征工程
在目前阶段，我们使用lightgbm完成了基本的模型训练，并且添加了时序问题中常见的特征提取方式，通过特征工程挖掘特征可以很快的提升模型预测效果，这也是数据挖掘比赛中的主要优化方向，很多情况下会决定最终的成绩。总之，就是在现有方案的基础上不断的改造与尝试，通过不断的实践来提升自己的数据挖掘能力，正所谓【纸上得来终觉浅，绝知此事要躬行，也许你熟练掌握机器学习的相关算法，能熟练推导各种公式，但如何将学习到的方法应用到实践工程中，需要我们不断的尝试与改进，
2024-07-17 16:35:50
1759
原创 Datawhale AI夏令营机器学习Task1跑baseline
适用性：传统模型适合数据量较小、模式简单的问题；机器学习模型适合中等复杂度的问题，可以引入额外变量；深度学习模型适合数据量大、模式复杂的任务。解释性：传统时间序列模型通常具有较好的解释性；机器学习模型的解释性取决于特征工程；深度学习模型的解释性通常较差。计算资源：传统模型计算效率最高；机器学习模型次之；深度学习模型通常需要最多的计算资源。预测能力：深度学习模型在捕捉复杂模式方面具有优势，但需要大量数据支持；传统和机器学习模型在数据量较小或模式较简单时可能更有效。
2024-07-13 15:54:30
1705
2
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