基于LightGBM的智能可穿戴设备用户行为预测

智能可穿戴设备产生的大量数据是人类宝贵的数字资源。使用开放数据集和主流数据分析工具,如可进行快速模型开发的PyCaret模块,有助于人们进行数据挖掘工作,且不被细节所困扰。作为Kaggle竞赛爱好者的常用工具,LightGBM分类器对用户行为的预测表现优异,对此文中的研究结果也得到验证。

基于AutoML的船舶能耗预测模型

船舶能耗预测模型在航运领域中具有重要的应用价值。这些模型对于船舶航行路径优化和节能减排具有重要作用。然而,传统的船舶系统的复杂性给模型选择和优化带来了更大的挑战,而自动机器学习(AutoML)技术将这些过程可以自动化,提高预测模型的性能和开发效率。因此,本文提出一种基于AutoML的船舶能耗预测模型,进行了一系列实验,并将其与常用的基线模型(LightGBM)进行了比较。实验结果表明,基于AutoML的船舶能耗预测模型的预测的均方根误差相较于LightGBM减少了超过10%。基于AutoML的船舶能耗预测模型在预测准确性和效率方面取得了显著的提升。