12、用 LightGBM 解决现实世界的数据科学问题

用 LightGBM 解决现实世界的数据科学问题

在数据科学领域，我们常常需要从数据中挖掘有价值的信息，识别数据中的模式和关系。本文将通过两个案例，详细介绍如何使用 LightGBM 解决实际问题，包括风力涡轮机发电预测和个人信用评分分类。

风力涡轮机发电预测

在风力涡轮机发电预测问题中，我们的目标是分析数据并构建模型，以准确预测风力涡轮机的发电量。

数据探索

• 相关性热力图 ：通过绘制相关性热力图，我们发现风速与大气温度、发动机指标（如发动机温度、发电机温度和电机扭矩）之间存在显著相关性，而日期特征与大气条件之间的相关性较弱。特别地，电机扭矩和发电机温度之间存在很强的相关性，由于扭矩是导致发电机温度变化的原因，因此在建模时可以考虑删除发电机温度这一特征。
• 分类特征与发电量的相关性 ：涡轮机状态对发电量的影响似乎很小，但云量水平对发电量有显著影响。通过绘制云量水平与发电量的柱状图，我们发现极低云量与发电量减少密切相关。在进一步探索数据时，控制云量水平有助于确保其影响不会主导任何新兴模式。
• 散点图 ：散点图是一种有用的可视化工具，可以帮助我们直观地识别数据中的模式和聚类。例如，绘制叶片角度与发电量的散点图，并按云量水平进行区分，我们发现特定的叶片角度范围（[0, 10] 度和 [65, 75] 度）与发电量增加相关。同样，绘制月份与发电量的散点图，我们发现 4 月至 9 月与发电量显著减少相关，这可能是由于该地区在这些月份风力较小。

建模