gbdt回归-city1数学建模竞赛.docxVIP

gbdt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: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

13.577s

数据切分

0.8

数据洗牌

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

985018.136

992.481

705.145

10.367

0.9

交叉验证集

5063860.194

2225.909

1330.654

18.043

0.487

测试集

6827769.591

2613

1409.535

18.82

0.452

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

Price(USD)

Totalnumberofhouseholds

Greeningrate

Floorarearatio

Propertymanagementfee(/m2/monthUSD)

above-groundparkingfee(/monthUSD)

undergroundparkingfee(/monthUSD)

lon

lat

X

Y

7476.91776145384

5547

941

0.3

2.5

22

150

326.41092896174865

125.399723271338

43.8392777590396

68.27222949644663

27.520977048370263

10243.280562503021

9561

24

0.3

1.2

16

150

326.41092896174865

125.318591

43.868536

63.74937974113318

29.152025036874768

6818.572567207143

6350

156

0.2

1.2

16

500

326.41092896174865

125.290774

43.891979

62.198676062206204

30.45889300772307

5903.47721167223

6150

717.0868022705771

0.302082960199005

1.6699256136870815

22.4568489713999

184.1085154483798

326.41092896174865

125.330521

43.904703

64.41443689645583

31.16821297790913

6642.60311004082

6650

204

0.2

1.2

16

150

326.41092896174865

125.256214

43.881047

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

1亿VIP精品文档

相关文档