Skip to content

Commit

Permalink
几处小细节问题
Browse files Browse the repository at this point in the history
  • Loading branch information
huanghao7414 committed Apr 24, 2024
1 parent 3517fd8 commit c3e690d
Showing 1 changed file with 3 additions and 2 deletions.
Original file line number Diff line number Diff line change
Expand Up @@ -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
Expand All @@ -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 \\
Expand Down

0 comments on commit c3e690d

Please sign in to comment.