有哪些信誉好的足球投注网站- 1、有哪些信誉好的足球投注网站（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
GBDT基本信息汇总?MACROBUTTONDoFieldClick[]
选项
频数
百分比
有效
13
13.00%
缺失
87
87.00%
总计
100
100.00%
Suggestions?MACROBUTTONDoFieldClick[]
GBDT(GradientBoostingDecisionTree)是一种基于决策树的集成学习算法，它将多个弱分类器(决策树)进行迭代加权，来提升模型的准确性。在每一次迭代中，GBDT会根据上一轮模型的预测结果计算出残差(实际值与预测值之差)，并将残差作为下一轮模型的训练目标。算法步骤如下：
第一：初始化，通过拟合一个初始模型(比如平均值)，得到初始预测值；
第二：计算残差，计算当前模型的预测值与实际值之间的残差(差异)；
第三：拟合残差，拟合一个回归树(决策树)来预测残差，使得残差减少；
第四：更新模型，通过将回归树的预测结果乘以一个学习率(或步长)，更新当前模型；
第五：重复迭代，重复步骤2到4，直到达到预设的迭代次数或残差已经足够小；
第六：集成模型，将所有的回归树组合起来形成最终的集成模型，每棵树的预测结果加权相加，得到最终的预测值。
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Gbdt建模，从上表可以看出，总共有13个样本参与分析。
特征权重值?MACROBUTTONDoFieldClick[]
项
权重值
Totalnumberofhouseholds
0.001
Greeningrate
0.399
Floorarearatio
0.049
Propertymanagementfee（/m2/monthUSD）
0.001
above-groundparkingfee（/monthUSD）
0.000
undergroundparkingfee（/monthUSD）
0.550
citycode
0.000
adcode
0.000
lon
0.000
lat
0.000
X
0.000
Y
0.000
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：
undergroundparkingfee（/monthUSD）所占比重为54.95%，该特征的权重最高，对模型构建起着关键作用；
Greeningrate所占比重为39.88%，该特征的重要性次之，对模型构建起着重要作用；
Floorarearatio所占比重为4.90%；
以上3项特征的比重合计占到了99.73%；
剩余9项Totalnumberofhouseholds、Propertymanagementfee（/m2/monthUSD）、lon、lat、X、Y、above-groundparkingfee（/monthUSD）、adcode、citycode的比重则分别为：0.07%、0.07%、0.04%、0.04%、0.02%、0.02%、0.02%、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
1.000
-43.618
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
0.037
1143.182
均方误差MSE
L2损失，误差平方和均值，越接近于0越好
0.002
1435534.073
均方误差根RMSE
MSE开根号，平均gap值
0.047
1198.138
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
0.029
988.357
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
0.000
0.003
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
1.000
-2.999
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
文档评论（0）