数学建模竞赛xgboost回归_(水产率).docxVIP

分析流程

数据源：

附件一：热解数据统计.xlsx

算法配置：

算法：XGBoost回归

分析结果：

XGBoost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XGBoost回归模型。

2.通过建立的XGBoost来计算特征重要性。

3.将建立的XGBoost回归模型应用到训练、测试数据，得到模型评估结果。

4.由于XGBoost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：XGBoost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

0.457s

数据切分

0.7

数据洗牌

是

交叉验证

10

基学习器

gbtree

基学习器数量

100

学习率

0.1

L1正则项

0

L2正则项

1

样本征采样率

1

树特征采样率

1

节点特征采样率

1

叶子节点中样本的最小权重

0

树的最大深度

10

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

0.001

0

0.457

1

交叉验证集

0

0.011

0.009

7.313

0.889

测试集

0

0.017

0.012

9.523

0.848

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XGBoost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

水产率

样品g

焦油(Char)g

水(Water)mL

正己烷不溶物（INS)g

0.13688920438289642

0.1268

9.4668

1.19119999999999

1.2

0.3337

0.11105649173259735

0.1038

9.7135

1.46323869999999

1.01

0.4409

0.23303739726543427

0.276

5.1246

1.3254104

1.4143896

0.8678

0.09424160420894623

0.0935

7.8119

0.861987349999998

00.1242

0.10984183847904205

0.1077

7.1112

0.756623759999994

00.1391

0.10500452667474747

0.096

8.336

0.763744000000007

0.8

0.0924

0.09752993285655975

0.0905

9.9784

1.38525480000001

0.9030452

0.414

0.10783948749303818

0.1078

7.4213

0.731183859999998

0.8

0.1174

0.12228581309318542

0.1478

7.445

0.546629000000006

1.1

0.098

0.11950092762708664

0.1311

7.5787

0.891032429999996

00.3165

0.09401620179414749

0.0802

9.8957

1.22286485999998

00.3369

0.0985085666179657

0.0826

10.0257

1.0252

0.83

0.3242

0.09694651514291763

0.0805253833902976

11.1766

1.23509999999999

0.9

0.3511

0.16071349382400513

0.1222

5.4069

2.13949999999999

0.66

0.7096

0.1474820077419281

0.1595

7.6038

1.114