gbdt回归_(台风起始时间-台风结束时间-经度-当前台风时间-台风等级-气压-纬度-移动速度-降水量)_(风速).docxVIP

分析流程

数据源：

贝碧嘉.xlsx

算法配置：

算法：梯度提升树(GBDT)回归

分析结果：

梯度提升树(GBDT)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梯度提升树(GBDT)回归模型。

2.通过建立的梯度提升树(GBDT)来计算特征重要性。

3.将建立的梯度提升树(GBDT)回归模型应用到训练、测试数据，得到模型评估结果。

4.由于梯度提升树(GBDT)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：梯度提升树(GBDT)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

0.355s

数据切分

0.7

数据洗牌

是

交叉验证

10

损失函数

friedman_mse

节点分裂评价准则

friedman_mse

基学习器数量

100

学习率

0.1

无放回采样比例

1

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

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

0

0

0

1

交叉验证集

0.211

0.353

0.127

0.684

0.981

测试集

0.174

0.418

0.11

0.561

0.99

图表说明：

上表中展示了交叉验证集、训练集和测试集的预测评价指标，通过量化指标来衡量GBDT的预测效果。其中，通过交叉验证集的评价指标可以不断调整超参数，以得到可靠稳定的模型。

●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。

输出结果4：预测结果

预测测试集结果Y

风速

台风起始时间

台风结束时间

经度

当前台风时间

台风等级

气压

纬度

移动速度

降水量

27.40908752813915

28

4

4

108.5

225

10

982

20.2

7

0.6000000000000001

20.00002579704209

20

3

3

106.6

104

8

990

20.3

10

1.7000000000000002

27.99981330585098

28

4

4

108.1

228

10

982

20

10

1.3

22.999946112845425

23

3

3

112.6

65

9

990

19.7

20

0.7000000000000001

15.000158604036523

15

4

4

111.4

115

7

998

18.2

15

0.1

22.999946112845425

23

3

3

110.1

73

9

984

19

20

1.6

27.99981330585098

28

4

4

107.6

233

10

982

19.9

15

0.7000000000000001

20.00002579704209

20

2

2

136

41

8

992

27

25

1.1

18.00007891983986

18

3

3

108.3

83

8

991

19.1

15

1.7000000000000002

22.999946112845425

23

4

4

113.3

162

9

985

20.6

0

0.6000000000000001

15.000158604036523

15

4

4

111.4

112

7

998

17.9

10

1.4000000000000001

24.99989299004765

25

4

4

113.6

185

10

982

21.1

12

0.6000000000000001

27.99981330585098

28

4

4

106.5

241

10

982

19.7

15

1.7000000000000002

27.99981330585098

28

4

4

106.8

239

10