gbdt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：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

0.465s

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

1.471

0.741

0.31

0.264

0.958

测试集

0.133

0.365

0.181

0.156

0.996

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

经度

台风起始时间

台风结束时间

当前台风时间

纬度

台风等级

风速

气压

移动速度

降水量

112.96845710188877

112.8

4

4

194

21.2

10

25

982

10

0.6000000000000001

112.80417486884991

112.9

4

4

152

20.7

8

18

990

0

1.2000000000000002

130.6994741785426

130.7

2

2

32

15.6

8

18

993

10

0.1

108.08093860577506

108.1

4

4

229

19.9

10

28

982

10

1.8

107.91474534172684

108.1

4

4

227

20

10

28

982

10

0.5

108.81751803470137

108.5

3

3

82

19

8

18

991

15

1.6

111.29490978078545

111.1

4

4

209

20.9

10

25

982

13

1.8

113.64552689000264

113.6

4

4

174

20.6

9

23

985

4

1.6

112.13388865943018

112.1

4

4

136

21.1

8

18

990

0

1.4000000000000001

106.61793007902023

106.4

4

4

242

19.7

10

28

982

15

0.7000000000000001

113.50018657878377

113.6

4

4

185

21.1

10

25

982

12

0.6000000000000001

111.6946174853401

111.7

4

4

205

20.9

10

25

982

10

1.2000000000000002

113.29996145545473

113.3

4

4

161

20.6

9

23

985

0

0.4

108.81751803470137

108.3

3

3

83

19.1

8

18

991

15

1.7000000000000002

11