Vampire_cold的博客

以两层为例，第一层由多个基学习器组成，其输入为原始训练集，第二层的模型则是以第一层基学习器的输出作为特征加入训练集进行再训练，从而得到完整的stacking模型。进行模型融合的前提是有多个模型的输出结果，比如使用catboost、xgboost和lightgbm三个模型分别输出三个结果，这时就可以将三个结果进行融合，最常见的是将结果直接进行加权平均融合。：使用过去的值作为当前预测的特征，例如，使用前一天的销售数据来预测后一天的销售。：计算时间序列的滚动窗口内的统计量，如平均值、最大值、最小值、总和等。

深度学习模型，特别是LSTM和其变体、transformer模型和其变体、大模型，已经在许多时间序列预测任务中显示出了优越的性能。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。随着技术的不断发展，我们可以期待时间序列预测在准确性、效率和应用范围上都会有显著的提升。

Task2 版本教程将使用机器学习模型解决本次问题，模型使用简单，数据不需要过多预处理；使用机器学习方法一般主要需要从和三个方面下手。使用机器学习方法有哪几个步骤？一般的使用机器学习模型解决问题的主要步骤为探索性数据分析、数据预处理、提取特征、切分训练集与验证集、训练模型、预测结果。

整个学习活动，将带你从 跑通最简的Baseline，到了解竞赛通用流程、深入各个竞赛环节，精读Baseline与进阶实践。

《科研论文配图绘制指南–基于Python》49期学习重点

Datawhale 吃瓜教程 TASK01