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

1.037s

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

0.098

0.313

0.114

0.54

0.962

交叉验证集

1.019

0.706

0.334

1.637

0.735

测试集

0.359

0.599

0.249

1.234

0.579

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

纬度

台风起始时间

台风结束时间

当前台风时间

风速

经度

气压

移动速度

降水量

20.47815000000001

20.5

4

4

221

25

109.3

985

10

0.5

20.607601438354823

20.6

4

4

163

23

113.3

985

0

0.1

19.41230054667554

19.7

3

3

65

23

112.6

990

20

0.7000000000000001

19.96761515151518

20

4

4

228

28

108.1

982

10

1.3

20.559783794479095

20.5

4

4

165

23

113.3

985

0

1.5

20.74558043525102

20.8

4

4

148

18

112.8

990

6

0.2

20.636074463281815

20.7

4

4

215

20

110.2

990

10

0.4

18.161500000000004

18.2

4

4

114

15

111.4

998

18

1.8

20.725365600086185

20.6

4

4

143

18

112.5

990

7

0.2

19.15027777777777

19

3

3

73

23

110.1

984

20

1.6

19.465982905982898

19.3

3

3

91

20

107.3

990

10

0.5

20.599847133754203

20.6

4

4

157

20

113.1

990

0

1.4000000000000001

21.15463030303031

21

4

4

133

15

112.3

998

0

0.5

19.31573946608945

19.