gbdt回归_(台风起始时间-台风结束时间-当前台风时间-经度-纬度-风速-气压-移动速度)_(降水量).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

0.453s

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

0.017

0.014

2.59

0.999

交叉验证集

0.513

0.708

0.599

98.9

-1.02

测试集

0.359

0.599

0.472

99.388

-0.269

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

降水量

台风起始时间

台风结束时间

当前台风时间

经度

纬度

风速

气压

移动速度

1.2283568725153426

1.2000000000000002

2

2

42

136.3

27.3

20

992

20

0.32397474094519835

0.6000000000000001

4

4

225

108.5

20.2

28

982

7

1.1750223268737252

1.1

2

2

41

136

27

20

992

25

0.1336734588906721

1.8

4

4

114

111.4

18.2

15

998

18

1.3617871041922176

0.9

4

4

131

111.5

21.2

15

998

10

1.1961822811192262

0.7000000000000001

3

3

94

107

19.6

20

990

10

0.14068562085865294

0.1

3

3

106

106.6

20.4

18

991

10

0.8949397956731692

1

4

4

230

108

19.9

28

982

15

1.3566134227014064

1.6

4

4

129

111.2

21.5

15

998

7

0.9242334257358557

0.4

4

4

220

109.4

20.5

20

990

10

1.1414901920765115

1.3

4

4

132

112

20.9

15

998

0

0.8383855970926323

0.8

3

3

61

113.4

19.4

23

990

20

0.8539927623420799

0.7000000000000001

4

4

203

111.9

20.9

25

982

10

0.357783015248278

1.2000000000000002

4

4

152

112.9

20.7

18

990

0

0.7378452033029878

1.4000000000000001

4

4

157

113.1

20.6

20

9