公开榜第40名解决方案。我的部分。
由于我们仍在等待私人排行榜的发布，我决定分享我们的解决方案，该方案使我们在公开排行榜上获得了第40名。
祝大家阅读愉快，祝好运伴随 Shakeup，祝大家新年快乐。
数据清洗
在本次比赛中，最大的分数提升得益于数据清洗。有许多训练样本可能需要被移除。例如，building_id 从 0 到 104 的建筑，在 2016 年 1 月 1 日至 2016 年 5 月 20 日期间，读数全为 0（或几乎为 0）。因此，所有这些样本都应从训练集中移除。
某些建筑在中间有可疑的 0 读数，例如 building_id 1066。
移除数据的代码：
"not (building_id == 1066 & meter == 0 & timestamp >= "2016-02-13 20:00:00" & timestamp <= "2016-02-29 11:00:00")"
另一个例子 - building_id 1250 & meter 2。在 12 月中旬之前，其读数全为 0。所以我的推测是该类型的仪表在此之前未运行，而是从 12 月开始的。基于这个推测，少量的非零数据非常有价值，特别是因为其读数非常高（大约 8000）。
移除数据的代码：
"not (building_id == 1250 & meter == 2 & timestamp < "2016-12-21 16:00:00")"
我使用了我在这篇帖子中的图表来直观地了解哪些读数可能被移除。
总的来说，我们的数据清洗查询文件包含 102 行。这包括训练集和泄露数据集。是的，我们确实清洗了泄露数据并将其用作训练样本。
交叉验证策略 (CV strategy)
来自 Half and half 的 2 折交叉验证策略表现非常好。但由于它只是简单地将所有数据从中间分开，因此存在缺点，因为某些建筑的样本仅从 6 月、7 月甚至 11 月开始。所以它们只会出现在一个折中。
所以我创建了一个稍微不同的策略 —— 仍然使用对半分，但不是针对整个训练集，而是针对其中每个建筑的每个仪表。换句话说 —— 如果某建筑仅有 6 个月的读数，从 7 月开始，那么第 1 折将包含从 7 月到 9 月的所有读数，第 2 折将包含从 9 月到 12 月的读数。
下面是一个示例图片。请注意，building_id 555 的数据仅从 7 月开始。