梯度提升模型在机器学习社区中脱颖而出，因为它们在众多用例（回归和分类）中取得了良好的效果。 尽管它们在预测中的使用受到限制，但近年来，已经表明它们可以取得非常有竞争力的结果。 使用这种类型的模型的一些优点是：

• 除了自回归变量之外，易于包括外生变量。
• 它们允许在模型中包含非线性关系。
• 高可扩展性，允许在大量数据可用时应用它们。

尽管它们具有潜在的优势，但在将机器学习模型应用于预测问题时，会出现一些问题，使分析师不愿意使用它们，主要是：

• 重塑数据，使其可以像回归问题一样使用。
• 根据需要多少未来预测（预测范围），必须对迭代过程进行编程，其中每个新预测都依赖于先前的预测。
• 模型验证需要特定的策略，例如回溯测试、前向验证或时间序列交叉验证。不能应用传统的交叉验证。

共享单车调度

共享单车系统是一种共享交通服务，其中单车可在短期内供个人共享使用。 许多单车共享系统允许人们从码头借用单车，然后在属于同一系统的另一个码头归还。 码头是特殊的单车位，可以锁定单车，只能通过计算机控制释放。

管理这些系统的主要挑战之一是需要重新分配自行车，以确保在所有码头都有可用的单车以及可供归还的空闲空间。

为了改进单车配送的规划和执行，建议创建一个能够预测未来 36 小时内用户数量的模型。 这样，在每天 12:00 时，负责管理系统的公司将能够了解当天剩余时间（12 小时）和次日（24 小时）的预期需求。 为了简化本文档中显示的示例，假设正在对单个站进行建模。

数据集

本文档中的数据代表 2011 年和 2012 年自行车租赁系统的每小时使用情况。除了每小时的用户数量外，还提供有关天气状况和节假日的信息。 原始数据已从机器学习存储库中获得，并且之前已应用以下修改进行了清理（代码）：

• 使用更具描述性的名称重命名列。
• 重命名天气变量的类别。大雨的类别已与雨的类别合并。
• 非归一化的温度、湿度和风变量。
• 创建变量 date_time 并设置为索引。
• 通过前向填充填补缺失值。

生成的数据集包含以下列：