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
XGBoost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[]
XGBoost（eXtremeGradientBoosting）是一种梯度提升算法，它通过迭代训练弱分类器（通常是决策树）并集成它们的预测，从而构建一个更强大的模型，其要点包括：
第一：boosting算法，XGBoost是一种梯度提升算法，通过组合多个弱学习器，每一轮迭代都校正上一轮模型的误差，逐步提升整体模型性能；
第二：决策树基学习器，XGBoost使用决策树作为基学习器，形成强大的集成模型。每个决策树通过根据梯度下降的原则，选择最佳分割点来分裂数据；
第三：正则化项，XGBoost引入了正则化项，包括L1正则化和L2正则化，以控制模型的复杂度，防止过拟合，正则化项通过在损失函数中引入惩罚项，对树的复杂性进行控制；
第四：XGBoost提供了一种直观的方式来评估特征的重要性，通过分析树的分裂点上特征的贡献度。
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XGBoost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
0.039
Greeningrate
0.073
Floorarearatio
0.039
Propertymanagementfee（/m2/monthUSD）
0.045
above-groundparkingfee（/monthUSD）
0.075
undergroundparkingfee（/monthUSD）
0.259
citycode
0.000
adcode
0.000
lon
0.370
lat
0.101
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：
lon所占比重为36.97%，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25.91%，该特征的重要性次之，对模型构建起着重要作用；
lat所占比重为10.13%；
以上3项特征的比重合计占到了73.01%；
剩余9项above-groundparkingfee（/monthUSD）、Greeningrate、Propertymanagementfee（/m2/monthUSD）、Totalnumberofhouseholds、Floorarearatio、Y、X、adcode、citycode的比重则分别为：7.49%、7.28%、4.46%、3.88%、3.87%、0.00%、0.00%、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
0.075
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
9.118
2313.569
均方误差MSE
L2损失，误差平方和均值，越接近于0越好
250.919
8298444.980
均方误差根RMSE
MSE开根号，平均gap值
15.840
2880.702
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
4.519
2569.907
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
0.017
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
0.077
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）
0.000
文档评论（0）