主要观点总结
本文介绍了时间序列预测中的不同模型和方法，包括深度学习模型和传统模型，重点介绍了一篇关于GBRT模型与深度学习模型对比的综述文章。文章探讨了GBRT模型的设计、实验和结果，并强调了特征工程和损失函数在机器学习中的重要性。文章还提到了其他时间序列预测模型的特点和实验结果。
关键观点总结
关键观点1: 时间序列预测的重要性和应用
时间序列预测是机器学习中的常见任务，具有广泛的应用，如电力能源、交通流量和空气质量等预测。
关键观点2: 传统与深度学习模型的对比
虽然深度学习模型在时间序列预测中取得了具有竞争力的性能，但最近的研究表明，通过有效的特征工程，简单的GBRT模型也能取得超越最先进DNN模型的性能。
关键观点3: GBRT模型的特点
GBRT模型通过转换窗口输入为一维向量，并将预测器包装为支持多输出的MultiOutputRegressor，从而捕捉目标变量中的自相关效应。实验结果表明，这种设置可以在一定程度上弥补多输出独立预测的缺陷。
关键观点4: 机器学习方法的关键
机器学习方法中最重要的部分是特征工程和损失函数，它们分别定义了从哪里学和学什么。在优化方法时，这两点是不能忽略的。
关键观点5: 对未来工作的展望
虽然GBRT模型在时间序列预测中取得了很好的性能，但还可以考虑增加更强的约束以进一步改善效果。此外，未来的研究可以进一步探索其他机器学习模型在时间序列预测中的应用。
文章预览
kaggle竞赛宝典技巧 作者：时序人 时间序列预测一定需要深度学习模型吗？ 简介 时间序列预测是机器学习中的一项常见的任务，具有非常广泛的应用，例如：电力能源、交通流量和空气质量等预测。传统的时间序列预测模型往往依赖于滚动平均、向量自回归和自回归综合移动平均。另一方面，最近有人提出了深度学习和矩阵分解模型来解决时间序列预测问题，并获得了更具竞争力的性能，但是该类模型往往过于复杂。 最近来自德国的几位学者在arxiv上发表了一篇有意思的对比综述文章，其用GBRT与最近各大顶会发表的新颖模型进行对比，并公布了其代码和结果。 本期文章将为大家简要分享这篇文章中的精华要点，供广大研究者开发者们参考。 论文地址 ：https://arxiv.org/abs/2101.02118 论文源码 ：https://github.com/Daniela-Shereen/GBRT-for-TSF 已有方法 时
………………………………
