CatBoost-2数学建模竞赛.docVIP

CatBoost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[]

CatBoost是一种基于梯度提升的决策树(GradientBoostingDecisionTrees,GBDT)算法，专门优化了处理分类特征和序列数据的能力。算法步骤如下：

第一：生成初始模型，从简单的模型开始，通常是所有目标值的平均值；

第二：迭代构建树，计算当前模型的残差(即预测误差)，使用残差构建一棵新的决策树，拟合这些残差，将这棵树加到模型中，以减少误差；

第三：更新模型，重复迭代，逐步增加决策树，直到达到预定的树数量或其他停止条件。

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CatBoost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

20.855

Greeningrate

12.665

Floorarearatio

6.251

Propertymanagementfee（/m2/monthUSD）

6.892

above-groundparkingfee（/monthUSD）

4.616

undergroundparkingfee（/monthUSD）

24.376

citycode

0.000

adcode

0.000

lon

13.075

lat

3.526

X

3.209

Y

4.535

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2437.58%，该特征的权重最高，对模型构建起着关键作用；

Totalnumberofhouseholds所占比重为2085.53%，该特征的重要性次之，对模型构建起着重要作用；

lon所占比重为1307.50%；

以上3项特征的比重合计占到了5830.61%；

剩余9项Greeningrate、Propertymanagementfee（/m2/monthUSD）、Floorarearatio、above-groundparkingfee（/monthUSD）、Y、lat、X、adcode、citycode的比重则分别为：1266.46%、689.23%、625.13%、461.57%、453.48%、352.61%、320.92%、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

-39.013

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

0.004

1062.965

均方误差MSE

L2损失，误差平方和均值，越接近于0越好

0.000

1287381.462

均方误差根RMSE

MSE开根号，平均gap值

0.006

1134.628

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

0.003

892.741

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

-3.895

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

0.012

备注：当前模型拟合R方出现0，原理上正常，建议忽略该指标即可。

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