第六名解决方案

我要感谢Enefit和Kaggle举办这次比赛。比赛很有意思，我从中学习到了很多。

最终提交： https://www.kaggle.com/code/mmotoki/submit-blend-v5-4-0/notebook

特征

我的大部分特征与公开笔记本中的相同或略有改动（以匹配目标）。感谢社区中所有为公开笔记本和讨论做出贡献的人！我的特征的主要不同在于，我还为消耗（consumption）和发电（generation）创建了简单的基线模型，并每天重新训练它们。

模型

我为生产（production）和消耗（consumption）分别训练了4种不同目标的LightGBM模型（共8个模型）：

• target - target_lag48
• target/(target_lag48_avg + 1) - baseline_pred
• target/(target_lag48_avg + 1) - target_lag48
• target/(target_lag48_avg + 1)

其中 target_lag48_avg 是2天滞后目标的每日平均值。我没想到按 installed_capacity 进行缩放，但从其他顶级解决方案来看，这似乎是一个很好的目标。

重新训练

实际上我根本没有重新训练我的LightGBM模型。唯一的重新训练是在我的基线模型中进行的。

融合

我的最终模型是不同目标、10个种子和两组超参数设置的加权组合。总的来说，我共有 160 个模型 = 8（目标）× 10（种子）× 2（超参数设置）。回想起来，我可能应该把时间分配给重新训练 LightGBM，而不是创建如此大的混合或如此频繁地重新训练简单的基线模型。