包含比赛代码、数据、训练后的神经网络模型等。 在分析光伏发电原理的基础上，论证了辐照度、光伏板工作温度等影响光伏输出功率的因素，通过实时监测的光伏板运行状态参数和气象参数建立预测模型，预估光伏电站瞬时发电量，根据光伏电站DCS系统提供的实际发电量数据进行对比分析，验证模型的实际应用价值。 1 数据探索与数据预处理 1.1 赛题回顾 1.2 数据探索性分析与异常值处理 1.3 相关性分析 2 特征工程 2.1 光伏发电领域特征 2.2 高阶环境特征 3 模型构建与调试 3.1 预测模型整体结构 3.2 基于LightGBM与XGBoost的构建与调试 3.3 基于LSTM的模型构建与调试 3.4 模型融合与总结 4 总结与展望 参考文献

内含数据集以及算法的源码，适合算法工程师在本领域的练手项目

内含数据集以及算法源码适合初学者和进阶者

内含脱敏体检数据，以及算法源码。

基于xgboost的用户行为分析UBA，内含原理说明以及训练验证脚本，以及数据集

针对智能电网调度控制系统(D5000系统)健康度评价，基于专家经验的传统评价方法存在主观性较大的问题，机器学习多分类方法是提高评价客观性的一种有效手段，但健康度各等级样本数目间存在的不平衡问题导致分类准确率较低，为此提出一种基于随机平衡和极端梯度提升(RB-XGBoost)算法的D5000系统健康度评价模型。首先，针对系统各评价等级样本数目严重不平衡的问题，提出一种自适应随机平衡(RB)的混合采样方法，分别以等级间样本数目的最大值、最小值作为采样区间的上、下限，生成多个随机数对各等级样本数据进行欠采样或过采样，增加训练数据的多样性并降低其不平衡程度；然后，训练平衡后的样本数据，建立极端梯度提升(XGBoost)算法子模型，考虑到各子模型重要度的一致性，提出采用硬投票方式集成所有子模型，得到与D5000系统各子模块对应的评价模型；最后，根据该系统指标层级关系，在评价过程中采用并、串行结合的计算方式，构建包含17个RB-XGBoost模型的D5000系统整体健康度评价模型。8组KEEL数据库中多类不平衡数据集的实验结果表明，与现有同类典型方法相比，所提方法的平均分类准确率最高提升了6.79

基于SSA-XGBOOST麻雀算法优化XGBOOST的数据分类预测（Matlab完整程序和数据） 基于SSA-XGBOOST麻雀算法优化XGBOOST的数据分类预测（Matlab完整程序和数据） 基于SSA-XGBOOST麻雀算法优化XGBOOST的数据分类预测（Matlab完整程序和数据） 输入多个特征，分四类。

Matlab实现SSA-XGBOOST麻雀算法优化XGBOOST的多特征分类预测（完整源码和数据） 数据为多特征分类预测，输入12个特征，输出四个类别。 运行环境MATLAB2018b及以上,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。

基于麻雀算法优化xgboost的数据回归预测（SSA-XGboost）（Matlab完整程序和数据） 运行版本为2018及以上 优化参数为迭代次数、最大深度和学习率 利用交叉验证抑制过拟合问题