这是一个**非官方很随意**的比赛😄 ，同学们可以提交自己的预测结果，系统为其打分排名，同学们可以查看榜单，感受自己和大佬们的差距🙊，不断提升自己👊 。
下面是南老师作业要求的部分摘录，以及一些额外的说明。如果有问题可以在讨论区发言，或联系我的邮箱：beyond_anything@163.com
最后大家愉快的开始打榜吧💯 

----

# 回归分析预测自行车租车数

##题目

给定数据集project1.csv，要求采用回归分析预测自行车租车数量。

训练集介绍：

- CSV文件，包含韩国首尔地区从2017年12月1日到2018年11月30日（365天）的租车数据;

- 每天的监测时间点为0时，1时......到23时，共24个时间节点，365天共计365*24=8760个数据样本;

- 和租车数量相关的特征项为12项；

- 数据集描述请见：http://archive.ics.uci.edu/ml/datasets/Seoul+Bike+Sharing+Demand

- 数据集可从以下百度网盘链接下载：https://pan.baidu.com/s/1HEsbvusyYCni7MVGKUk4bA ， 提取码：dhix

##要求

- 请用数据集中的后12项（hour, temperature, humidity, wind speed, visibility, dew point temperature, solar radiation, rainfall, snowfall, seasons, holiday, functioning day）作为输入来预测第二项的租车数（Rented bike count）。

- 请将每个月10号、20号、30号（如果有）的数据作为测试数据，其余数据作为训练数据。

- 实验给出测试数据集RMSE系数、R平方系数，除此之外也可以增加其它评价指标。

- 可采用基础线性回归模型，也可采用任意非线性回归模型。

##Bonus

- 数据中给出日期，但没有给出是否工作日和是周几的数据。考虑到这两项也是影响租车的指标，可自行想办法添加进这两项数据，再做回归分析。

- 12项数据中对于租车数的影响不同，可试着分析它们不同的影响力。

- 其它。
##榜单指标
R2 score
##提交说明
- 请将每个月10号、20号、30号（如果有）的数据作为测试数据
- 预测出的值按照时间排序。
- 具体格式参考data面板里提供的sample.csv
- 请不要上传真实值，或直接在真实值上修改，那没有任何的意义
- 每人每天最多提交5次（你们觉的合适吗？）
##截止日期
2025年12月，没有截止日期
## 小提示
- pandas库可以很方便进行时间上的分割和提取
- 尝试观察或者统计一下“Functioning Day”列和”Rented Bike Count“的关系
- 对 ** 标量值 ** 进行标准化，当输入和输出都在0附近时，神经网络模型收敛速度会加快很多。
## 致谢
感谢南晓斐老师的指导