决策树回归_(经度-台风起始时间-台风结束时间-当前台风时间-风速-气压-移动速度-降水量-台风强度)_(纬度).docxVIP

分析流程

数据源：

贝碧嘉.xlsx

算法配置：

算法：决策树回归

分析结果：

决策树回归基于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决策数回归模型，得到决策树结构。

2.通过建立的决策树来计算特征重要性。

3.将建立的决策树回归模型应用到训练、测试数据，得到模型评估结果。

4.由于决策树具有随机性，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：决策树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

0.025s

数据切分

0.7

数据洗牌

是

交叉验证

10

节点分裂评价准则

friedman_mse

特征划分点选择标准

best

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：决策树结构

图表说明：

上图展示了决策树结构，内部节点给出了被分枝特征的具体切分情况，即根据某个特征的某个切分值进行划分。

（若节点数大于30，点击下载按钮查看决策树结构）

●mse/friedman_mse/mae等用以确定对哪一个特征进行切分。

●样本数量是该节点拥有的样本数量。

●节点样本均值是该节点全部样本的均值。

PS：特别注意的是，若节点数大于30，系统提供下载按钮查看决策树结构；若节点数大于2000，由于树结构渲染模糊，系统不提供下载导出。

输出结果3：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4：模型评估结果

MSE

RMSE

MAE

MAPE

R2

训练集

0.003

0.051

0.036

0.178

0.999

交叉验证集

1.179

0.717

0.351

1.836

0.754

测试集

0.055

0.233

0.141

0.701

0.917

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决策树的预测效果。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5：预测结果

预测测试集结果Y

纬度

经度

台风起始时间

台风结束时间

当前台风时间

风速

气压

移动速度

降水量

台风强度

19.3625

19.3

113.8

3

3

59

23

990

20

0.30000000000000004

2

19.1

19.3

107.9

3

3

86

18

991

10

0.2

2

20.775

20.8

112.8

4

4

151

18

990

5

0.1

2

19.3625

19.7

112.6

3

3

65

23

990

20

0.7000000000000001

2

20.57272727272727

20.6

109.9

4

4

217

20

990

10

0.1

2

21

21.1

112.2

4

4

134

18

990

0

0.5

2

20.2

19.9

107.9

4

4

231

28

982

15

0.9

3

20.57272727272727

20.6

113.3

4

4

162

23

985

0

0.6000000000000001

2

18.3

18.2

116.4

3

3

44

18

998

16

0.7000000000000001

2

21.18

21.2

113.2

4

4

191

25

982

10

1.6

3

20.57272727272727

20.5

113.4

4

4

169

23

985

0

1.3

2

19.3

19.3

107.8

3

3

87

18

991

10

0.6000000000000001

2

20.57272727272727

20.5

113.3

4

4

165

23

985

0

1.5

2

20.900000000000002

20.8

110.6