用1-N进行标识，即1为数据集最近一天，其中1-10为测试集数据。数据集由字段id（房屋id）、dt（日标识）、type（房屋类型）、target（实际电力消耗）组成。本场以“电力需求预测”为赛题的数据算法挑战赛。

本次笔记，我将分为选择模型、调参、特征工程三个部分来尝试。

pandas是一个第三方数据分析库，其集成了大量的数据分析工具，可以方便的处理和分析各类数据。_pythonpandas处理csv

其中id为房屋id，dt为日标识，训练数据dt最小为11，不同id对应序列长度不同；type为房屋类型，通常而言不同类型的房屋整体消耗存在比较大的差异；target为实际电力消耗，也是我们的本次比赛的预测目标。下

赛题数据由训练集和测试集组成，为了保证比赛的公平性，将每日日期进行脱敏，用1-N进行标识。即1为数据集最近一天，其中1-10为测试集数据。数据集由字段id（房屋id）、dt（日标识）、type（房屋类型）、targ

LightGBM是一个实现GBDT算法的框架，具有训练速度快、内存消耗低、准确率高、分布式支持等优点，主要通过Histogram算法、带深度限制的Leaf-wise叶子生长策略和直方图做差加速等技术进行优

title:使用useNuxtData进行高效的数据获取与管理date:2024/7/22updated:2024/7/22author:cmdragonexcerpt:深入讲解了Nuxt3中useNuxtData组合函数的应用，演示了

深度学习是机器学习一个分支，通过神经网络模拟人脑的学习方式，可以处理大量数据并且从中自动学习和提取特征，进行预测。深度学习就是将这些神经元模型层层堆叠起来的复杂结构，按一定的层次形成一个庞大的网络，从网络最底层接

由于Task3是在Task2基础上做的改进，实操起来感觉比较简单，难度主要在于对Transformer的理解，以及在基础参数上自己尝试做出优化以抵达更高的上限。

结构基本上和编码器是一致的，在基于循环神经网络的翻译模型中，解码器只比编码器多了输出层，用于输出每个目标语言位置的单词生成概率，而在基于自注意力机制的翻译模型中，除了输出层，解码器还比编码器多一个编码­解码注意力子层，