Adaboost-1数学建模竞赛.docVIP

Adaboost基本信息汇总?MACROBUTTONDoFieldClick[]

选项

频数

百分比

有效

33

33.00%

缺失

67

67.00%

总计

100

100.00%

Suggestions?MACROBUTTONDoFieldClick[]

AdaBoost（AdaptiveBoosting）算法的核心思想是将多个弱分类器组合成一个强分类器。其算法步骤如下：

第一：初始化权重，为每个训练样本分配相等的初始权重；

第二：训练弱分类器，根据当前样本权重训练一个弱分类器，并计算其错误率；

第三：更新权重，增加错分类样本的权重，使后续弱分类器更关注这些样本，减少正确分类样本的权重；

第四：组合分类器，将所有弱分类器的加权结果组合起来，形成最终的强分类器；

最后：通过反复迭代以上步骤，AdaBoost能够显著提高分类性能。

IntelligentAnalysis?MACROBUTTONDoFieldClick[]

将Totalnumberofhouseholds,Greeningrate,Floorarearatio,Propertymanagementfee（/m2/monthUSD）,above-groundparkingfee（/monthUSD）,undergroundparkingfee（/monthUSD）,citycode,adcode,lon,lat,X,Y项作为自变量，而将Price(USD)作为因变量进行Adaboost建模，从上表可以看出，总共有33个样本参与分析。

特征权重值?MACROBUTTONDoFieldClick[]

项

权重值

Totalnumberofhouseholds

0.095

Greeningrate

0.063

Floorarearatio

0.029

Propertymanagementfee（/m2/monthUSD）

0.148

above-groundparkingfee（/monthUSD）

0.031

undergroundparkingfee（/monthUSD）

0.161

citycode

0.000

adcode

0.000

lon

0.218

lat

0.024

X

0.129

Y

0.103

IntelligentAnalysis?MACROBUTTONDoFieldClick[]

特征权重显示了各标题对模型贡献的重要程度，其加和值为1，从上表可知：

lon所占比重为21.78%，该特征的权重最高，对模型构建起着关键作用；

undergroundparkingfee（/monthUSD）所占比重为16.08%；

Propertymanagementfee（/m2/monthUSD）所占比重为14.83%；

X所占比重为12.89%；

Y所占比重为10.34%；

以上5项特征的比重合计占到了75.92%；

剩余7项Totalnumberofhouseholds、Greeningrate、above-groundparkingfee（/monthUSD）、Floorarearatio、lat、adcode、citycode的比重则分别为：9.47%、6.29%、3.06%、2.88%、2.38%、0.00%、0.00%。

模型评估结果?MACROBUTTONDoFieldClick[]

指标

说明

训练集时

测试集时

R方值

拟合程度指标，0~1之间越大越好

0.957

0.340

平均绝对误差值MAE

L1损失，真实值与拟合值的平均值差值，越接近于0越好

307.652

1891.526

均方误差MSE

L2损失，误差平方和均值，越接近于0越好

175311.601

5915408.258

均方误差根RMSE

MSE开根号，平均gap值

418.702

2432.161

中位数绝对误差MAD

预测值离中位数残差的绝对值，不受异常值影响，越小越好

254.033

1342.000

平均绝对百分误差MAPE

平均误差百分比，不受异常点影响，越小越好

0.010

0.013

可解释方差分EVS

衡量模型对数据波动的解释力度，介于[0,1]之间，越大越好

0.958

0.370

均方根对数误差MSLE

在RMSE相同时，其对欠预测惩罚更多（使用较少）

0.002

0.050

Suggestions?MACROBUTTONDoFieldClick[]

模型评估结果指标用于评价模型的优劣和对比；

第一、默认提供包括8个评价指标，其中R方值、MAE、MSE、RMSE等4项指标使用较多；

第二、通常情况