几处小细节问题

body/主体内容/3基于机器学习算法的pCO2反演模型建立与分析.tex

@@ -160,7 +160,8 @@ \subsubsection{基于XGBoost算法模型表现}
      & 平均 &  13.88±0.60      & 8.62±0.43     &   0.82±0.0058 \\ \bottomrule
 \end{tabularx}
 \end{table}
-\autoref{tab:三次交叉验证结果}展示了网格搜索算法寻优后得到的XGBoost算法模型三次交叉验证结果，过程中已经确保了每次使用的训练集和验证集不相同。模型的结果表明，该算法能够非常精确地进行预测和拟合。三次交叉验证的训练集合中，RMSE为2.46±0.31 μatm，MAE为1.62±0.13，$\mathrm{R^2}$为0.99±0.00；在验证集的表现中，RMSE为13.88±0.60 μatm，MAE为8.62±0.43μatm，$\mathrm{R^2}$为0.82±0.0058。三次验证结果中最优成绩如\autoref{fig:fig-3.2}所示，在训练集中，有52861条数据，模型表现良好，RMSE仅为2.15，MAE为1.45，$\mathrm{R^2}$为0.99；在验证集的22655条数据中，模型的RMSE为13.47，MAE为8.21，R2为0.82。且验证集和训练集中的大多数点均处于反演 $p\mathrm{CO_2}$ 和实测 $p\mathrm{CO_2}$ 的 1：1 等位线附近，说明验证集数据对于XGBoost算法所建立的模型仍具有较为优异的结果，通过XGBoost算法在南大洋地区反演 $p\mathrm{CO_2}$ 可以取得准确且可靠的效果。后续的反演使用的模型则是基于最优一次训练结果。
+\autoref{tab:三次交叉验证结果}展示了网格搜索算法寻优后得到的XGBoost算法模型三次交叉验证结果，过程中已经确保了每次使用的训练集和验证集不相同。模型的结果表明，该算法能够非常精确地进行预测和拟合。三次交叉验证的训练集合中，RMSE为2.46±0.31 μatm，MAE为1.62±0.13，$\mathrm{R^2}$为0.99±0.00；在验证集的表现中，RMSE为13.88±0.60 μatm，MAE为8.62±0.43μatm，$\mathrm{R^2}$为0.82±0.0058。三次验证结果中最优成绩如\autoref{fig:fig-3.2}所示，在训练集中，有52861条数据，模型表现良好，RMSE仅为2.15μatm，MAE为1.45μatm，$\mathrm{R^2}$为0.99；在验证集的22655条数据中，模型的RMSE为13.47μatm，MAE为8.21μatm，$\mathrm{R^2}$为0.82。
+且验证集和训练集中的大多数点均处于预测 $p\mathrm{CO_2}$ 和实测 $p\mathrm{CO_2}$ 的 1：1 等位线附近，说明验证集数据对于XGBoost算法所建立的模型仍具有较为优异的结果，通过XGBoost算法在南大洋地区反演 $p\mathrm{CO_2}$ 可以取得准确且可靠的效果。后续的反演使用的模型则是基于最优一次训练结果。
 
 \begin{figure}[htbp]
     \centering
@@ -181,7 +182,7 @@ \subsubsection{不同算法间的表现}
     回归树                      & 20.98 & 19.22  &0.70   \\
     支持向量机-高斯核函数         & 21.11 & 17.37 & 0.67 \\ 
     支持向量机-线性核函数         & 20.59 & 18.39 & 0.68 \\ 
-    随机森林                    & 18.53 & 21.68 & 0.70 \\
+    随机森林                    & 18.53 & 11.19 & 0.79 \\
     Bagging回归                 & 17.02 &18.88  &0.74\\
     自适应增强算法               &19.23  & 18.48 &0.73 \\
     梯度提升树算法               & 17.54 &17.19 & 0.71 \\