集成学习案例二（蒸汽量预测）

背景介绍

火力发电的基本原理是：燃料在燃烧时加热水生成蒸汽，蒸汽压力推动汽轮机旋转，然后汽轮机带动发电机旋转，产生电能。在这一系列的能量转化中，影响发电效率的核心是锅炉的燃烧效率，即燃料燃烧加热水产生高温高压蒸汽。锅炉的燃烧效率的影响因素很多，包括锅炉的可调参数，如燃烧给量，一二次风，引风，返料风，给水水量；以及锅炉的工况，比如锅炉床温、床压，炉膛温度、压力，过热器的温度等。我们如何使用以上的信息，根据锅炉的工况，预测产生的蒸汽量，来为我国的工业届的产量预测贡献自己的一份力量呢？

所以，该案例是使用以上工业指标的特征，进行蒸汽量的预测问题。由于信息安全等原因，我们使用的是经脱敏后的锅炉传感器采集的数据（采集频率是分钟级别）。

数据信息
数据分成训练数据（train.txt）和测试数据（test.txt），其中字段”V0”-“V37”，这38个字段是作为特征变量，”target”作为目标变量。我们需要利用训练数据训练出模型，预测测试数据的目标变量。

评价指标
最终的评价指标为均方误差MSE，即：

集成学习-task8-案例二相关推荐

【集成学习（案例）】蒸汽量预测
集成学习案例二 (蒸汽量预测) 背景介绍火力发电的基本原理是:燃料在燃烧时加热水生成蒸汽,蒸汽压力推动汽轮机旋转,然后汽轮机带动发电机旋转,产生电能.在这一系列的能量转化中,影响发电效率的核心是锅炉 ...
集成学习(ensemble learning)(二)
文章目录一.Bagging原理 1.随机采样(BootStrap) 2.弱分类器和结合决策二.Bagging算法流程三.随机森林(Random Forest,RF) 1.特点 2.两个" ...
【机器学习】集成学习知识点总结二
GBDT原理概述 GBDT是集成学习Boosting的一种.算法流程详见集成学习之梯度提升树GBDT. Gradient boosting的主要思想是,每一次建立单个学习器时,是在之前建立的模型的损失 ...
Day15-集成学习-机器学习-案例二：蒸汽量预测(DataWhale)
案例二.蒸汽量预测 1. 基础信息数据信息: 训练数据(train.txt) 测试数据(test.txt) 特征变量字段:V0-V37 目标变量字段:target 目的:利用训练数据训练出模型,预测 ...
【直播】杨毅远：集成学习答疑直播之六 -- 幸福感预测案例实战
集成学习答疑直播之六 – 幸福感预测案例实战 "集成学习"是首个横跨3个周期的长期组队学习,在第25期组队学习中进行到"第三期-模型融合与数据实战"阶段.组队学 ...
集成学习(ensemble learning)(四)
文章目录一.GBDT概述二.GDBT原理 1.负梯度拟合 2.GBDT回归算法 3.GBDT分类算法 (1)二元GBDT分类算法 (2)多元GBDT分类算法 4.GBDT常用损失函数 (1)分类任 ...
集成学习(ensemble learning)(三)
集成学习系列第三篇(Boosting相关方法),传送前两篇: 集成学习(ensemble learning)(一) 集成学习(ensemble learning)(二) 文章目录一.Boosting ...
集成学习【一】：集成学习（Ensemble Learning）结合神经网络
集成学习一.集成学习的概念二.集成学习的作用 2.1 集成学习的优点 2.2 集成学习的缺点三.结合策略(简要了解) 四.常见的集成学习方法集成学习实战本系列将提供几种经典的集成学习方法,并 ...
机器学习——集成学习算法（Adaboost、随机森林）
集成算法简述什么是集成学习如何得到多个个体学习器集成学习常用算法 Bagging 自助采样学习器结合包外估计随机森林 Adaboost Boosting Adaboost算法原理注意什 ...

集成学习-task8-案例二

集成学习案例二（蒸汽量预测）

背景介绍

集成学习-task8-案例二相关推荐

最新文章

热门文章

集成学习-task8-案例二

集成学习案例二 （蒸汽量预测）

背景介绍

集成学习-task8-案例二相关推荐

最新文章

热门文章

集成学习案例二（蒸汽量预测）