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-风速-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：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

0.474s

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

0.152

0.313

0.162

0.842

0.918

测试集

0.076

0.276

0.14

0.734

0.918

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

纬度

台风起始时间

台风结束时间

经度

当前台风时间

台风等级

风速

气压

移动速度

降水量

20.600091747400047

20.6

4

4

112.6

145

8

18

990

7

1.2000000000000002

20.50053041164806

20.5

4

4

113.4

168

9

23

985

0

1

20.89979646240379

20.9

4

4

111

210

10

25

982

13

0.8

20.531084432376673

20.5

4

4

113.1

156

8

20

990

0

0.6000000000000001

20.599929448874793

20.6

4

4

112.9

154

8

20

990

0

0.8

20.46408620295313

20.5

4

4

109.3

221

10

25

985

10

0.5

18.044171549270374

18.2

4

4

111.4

114

7

15

998

18

1.8

18.300037154603864

18.3

3

3

115.5

47

8

18

998

15

1.7000000000000002

19.29459941114239

19.3

3

3

107.9

86

8

18

991

10

0.2

20.77565019633572

20.8

4

4

112.8

149

8

18

990

5

1.7000000000000002

20.793703872517547

20.8

4

4

113.7

177

9

23

985

4

0.8

19.662541418572545

19.6

3

3

113

64

9

23

990

20

0.5

19.068229221696345

19.1

3

3

110.3

72

9

23

984

20

1.6

18.993773222737037

19

3

3

110.1

73

9

23

984

20

1.6

20.20001762876687

20.7

4

4

111.5

122

7

15

998

4

0.9

图表说明：

上表格为