1. 您所在位置：
  2. 网站首页
  3. 文档分类
  4. 外语学习
  5. 英语学习

RUSboost回归city1数学建模竞赛.docxVIP

RUSboost回归city1数学建模竞赛.docx

此“教育”领域文档为创作者个人分享资料，不作为权威性指导和指引，仅供参考
    1. 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
    2. 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
    3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
    4. 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
    5. 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
    6. 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
    7. 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
    查看更多

    分析流程

    数据源：

    Appendix1-ChangchunCity.xlsx

    算法配置：

    算法：adaboost回归

    分析结果：

    adaboost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adaboost回归模型。

    2.通过建立的adaboost来计算特征重要性。

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

    4.由于adaboost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：adaboost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

    17.502s

    数据切分

    0.8

    数据洗牌

    是

    交叉验证

    10

    基分类器数量

    100

    损失函数

    linear

    基分类器

    决策树分类器

    学习率

    1

    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

    24821.338

    157.548

    54.597

    1.079

    0.998

    交叉验证集

    5972308.438

    2403.541

    1288.492

    18.199

    0.44

    测试集

    4752152.879

    2179.943

    1295.268

    18.354

    0.503

    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adaboost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

    Price(USD)

    Totalnumberofhouseholds

    Greeningrate

    Floorarearatio

    Propertymanagementfee（/m2/monthUSD）

    above-groundparkingfee（/monthUSD）

    undergroundparkingfee（/monthUSD）

    lon

    lat

    X

    Y

    8586

    8603

    924

    0.55

    1.73

    41

    170

    326.41092896174865

    125.398401

    43.946293

    68.19851734098873

    33.48671482953133

    3491

    2950

    84

    0.2

    1.2

    16

    150

    326.41092896174865

    125.604998

    44.088977

    79.71560142465238

    41.440865303127715

    8256

    5850

    421

    0.3

    2.5

    16

    150

    326.41092896174865

    125.309479

    43.891831

    63.241416555944774

    30.45064250822727

    4350

    4750

    1636

    0.3

    2

    28

    150

    326.41092896174865

    125.176626

    44.411956

    55.835311086034636

    59.44585230805937

    6250

    6183

    1232

    0.304

    1.7

    15

    300

    300

    125.425604

    43.973896

    69.71499259633087

    35.025488732160404

    8273

    7266

    462

    0.4

    1.96

    63

    300

    300

    125.366299

    43.845252

    66.40893940300369

    27.854020778323083

    6500

    7600

    222

    0.2

    1.2

    16

    100

    326.41092896174865

    125.266894

    43.89525

    60.86744681919703

    30.641240195908974

    6750

    6700

    717.0868022705771

    0.302082960199005

    1.66992561368708

    您可能关注的文档

    最近下载

    文档评论（0）

    数学建模-赛道做 + 关注
    实名认证
    文档贡献者

    该用户很懒，什么也没介绍

    咨询Ta 进入空间

    1亿VIP精品文档

    更多 >

    相关文档

    更多 >