自行车需求预测

浅唱书令

已于 2023-06-01 10:27:36 修改

阅读量138

点赞数

CC 4.0 BY-SA版权

分类专栏：人工智能文章标签：数学建模机器学习 python 人工智能开发语言

于 2017-05-26 11:58:00 首次发布

本文链接：https://blog.youkuaiyun.com/keyboardlabourer/article/details/130980671

人工智能专栏收录该内容

51 篇文章 ¥29.90 ¥99.00

订阅专栏

本文探讨了Kaggle的Bike Sharing Demand竞赛，通过特征工程和回归分析预测自行车租借量。利用GBM进行回归预测，并通过grid_search优化参数，RMSLE达到0.43789。进一步将注册和未注册用户租借量分开预测，再相加，RMSLE降至0.41983。最后，通过0.5权重的GBM和RF ensemble方法，RMSLE降低到0.37022，证明了ensemble方法的有效性。

1. 问题

今天来看一个回归问题——Kaggle竞赛Bike Sharing Demand，根据日期时间、天气、温度等特征，预测自行车的租借量。训练与测试数据集大概长这样：

// train
datetime,season,holiday,workingday,weather,temp,atemp,humidity,windspeed,casual,registered,count
2011-01-01 00:00:00,1,0,0,1,9.84,14.395,81,0,3,13,16
2011-01-01 01:00:00,1,0,0,1,9.02,13.635,80,0,8,32,40

// test
datetime,season,holiday,workingday,weather,temp,atemp,humidity,windspeed
2011-01-20 00:00:00,1,0,1,1,10.66,11.365,56,26.0027
2011-01-20 01:00:00,1,0,1,1,10.66,13.635,56,

观察上面的数据，我们可以发现：租借量等于注册用户租借量加上未注册用户租借量，即casual + registered。评价指标是loss函数RMSLE (Root Mean Squar

了解本专栏