Giba的RAPIDS SVR解决方案

我的第一个解决方案使用了全局线性乘数，我为每个月份和预测跨度分别选择了优化SMAPE的系数。

第二个解决方案基于SVR。你可以在此查看我的notebook：Super Fast RAPIDS SVR

由于`microbusiness_density`可以通过`active`和`county population`计算得出，我在模型中将`active`作为目标标签。在验证时，我使用过去12个月的数据来计算每个预测范围的SMAPE。为了简化开发，我只关注每个算法相对于基准（使用最后一个值）的提升。例如，用最后一个值预测3个月后的SMAPE为2.717，如果我的算法得分为2.617，则相对于基准提升了0.10。

SVR在每个预测周期的提升如下：

正如你所看到的，提升并不显著。但我在尝试的其他所有算法（包括GBDT）中，SVR的效果是最好的。

除此之外，我祝愿所有投入时间参加这次比赛的人好运！😉

注：

• notebook V1使用sklearn SVR，耗时4607秒
• notebook V2使用RAPIDS SVR，耗时136秒（快了34倍💪）