RUSboost回归city2数学建模竞赛.docxVIP

分析流程

数据源：

Appendix2-HohhotCity.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

4.666s

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

1139639.026

1067.539

644.575

7.944

0.889

交叉验证集

5320628.409

2291.777

1573.02

17.661

0.484

测试集

4994677.892

2234.878

1554.148

18.046

0.495

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

7602

8541

168

0.3

1.2

25

100

111.85534591194968

111.626179

1147

19.45308464689085

34.8867332589422

11160

18747

392

0.4

1

3

150

111.85534591194968

111.737372

74

23.59242772678204

35.1055142908463

5100

3150

324

0.3

1.2

9

150

111.85534591194968

111.130461

1454

0.9991633310032998

31.52929877086907

9662

13866

240

0.1

1.2

9

150

111.85534591194968

111.7061915

253

22.431682114175953

35.488632376577456

10600

10840

378

0.3

2.2

9

150

111.85534591194968

111.694505

1969

21.996632849355933

35.405561103360796

8706

9090

125

0.3

2

15

150

111.85534591194968

111.672032

1993

21.16003830622448

35.291833682488246

9900

9200

24

0.295511092769891

1.501731972341126

14.950235373234701

136.40734557595994

111.85534591194968

111.685339

318

21.655413360086698

34.771889038519255

8503

8825

287

0.4