extra_tree回归(经度)妈妈杯大数据数学建模.docxVIP

分析流程

数据源：

贝碧嘉.xlsx

算法配置：

算法：ExtraTrees回归

分析结果：

ExtraTrees回归基于MSE、RMSE、MAE、MAPE、R2指标对模型进行评价，请看详细结论。

分析步骤

1.通过训练集数据来建立ExtraTrees回归模型。

2.通过建立的ExtraTrees来计算特征重要性。

3.将建立的ExtraTrees回归模型应用到训练、测试数据，得到模型评估结果。

4.由于ExtraTrees具有随机性，每次运算的结果不一样，若保存本次训练模型，后续可以直接上传数据代入到本次训练模型进行计算预测。

5.注：ExtraTrees无法像传统模型一样得到确定的方程，通常通过测试数据预测精度来对模型进行评价。

详细结论

输出结果1：模型参数

参数名

参数值

训练用时

1.017s

数据切分

0.7

数据洗牌

是

交叉验证

10

节点分裂评价准则

mse

划分时考虑的最大特征比例

None

内部节点分裂的最小样本数

2

叶子节点的最小样本数

1

叶子节点中样本的最小权重

0

树的最大深度

10

叶子节点的最大数量

50

节点划分不纯度的阈值

0

决策树数量

100

有放回采样

true

袋外数据测试

false

图表说明：

上表展示了模型各项参数配置以及模型训练时长。

输出结果2：特征重要性

图表说明：

上柱形图或表格展示了各特征（自变量）的重要性比例。

输出结果3：模型评估结果

MSE

RMSE

MAE

MAPE

R2

训练集

0.045

0.213

0.119

0.105

0.998

交叉验证集

0.83

0.642

0.363

0.31

0.969

测试集

0.421

0.649

0.349

0.306

0.984

图表说明：

上表中展示了训练集和测试集的预测评价指标，通过量化指标来衡量ExtraTrees回归的预测效果。

●MSE（均方误差）：预测值与实际值之差平方的期望值。取值越小，模型准确度越高。

●RMSE（均方根误差）：为MSE的平方根，取值越小，模型准确度越高。

●MAE（平均绝对误差）：绝对误差的平均值，能反映预测值误差的实际情况。取值越小，模型准确度越高。

●MAPE（平均绝对百分比误差）：是MAE的变形，它是一个百分比值。取值越小，模型准确度越高。

●R2：将预测值跟只使用均值的情况下相比，结果越靠近1模型准确度越高。

●oob_score：对于回归问题，oob_score是袋外数据的R2。若在建立树过程中选择有放回抽样时，大约1/3的记录没有被抽取。没有被抽取的自然形成一个对照数据集，可用于模型的验证。所以ExtraTrees不需要另外预留部分数据做交叉验证，其本身的算法类似交叉验证，而且袋外误差是对预测误差的无偏估计（当算法参数选择了“袋外测试数据”后，才会通过oob_score来检验模型的泛化能力）。

输出结果4：预测结果

预测测试集结果Y

经度

台风起始时间

台风结束时间

当前台风时间

纬度

风速

气压

移动速度

降水量

115.3332595238095

116.1

3

3

45

18.2

18

998

16

1.7000000000000002

111.4020028138527

111.4

4

4

113

18.1

15

998

12

0.30000000000000004

113.00676767676761

112.9

4

4

153

20.6

20

990

0

0.5

113.33395695693198

113.3

4

4

164

20.6

23

985

0

0.6000000000000001

113.60419162226663

113.7

4

4

184

21.1

23

985

3

1.7000000000000002

113.64360688200686

113.7

4

4

180

21

23

985

3

0.30000000000000004

110.96995454545451

110.8

4

4

211

20.9

25

982

10

1.7000000000000002

112.91346474636474

113.6

4

4

185

21.1

25

982

12

0.6000000000000001

112.63880073815075

112.8

4

4

151

20.8

18

990

5

0.1

107.45828611111115

107.4

4

4

235

19.9

28

982

13

0.9

132.29950000000002

130.9

2

2

35

19.2

20

992

20

1.8

113.23516666666666

113.4

3

3

61

19.4

23