《表4 各算法效果对比:基于Stacking的地面PM_(2.5)浓度估算》
![《表4 各算法效果对比:基于Stacking的地面PM_(2.5)浓度估算》](http://bookimg.mtoou.info/tubiao/gif/HJGC202002022_07300.gif)
本系列图表出处文件名:随高清版一同展现
《基于Stacking的地面PM_(2.5)浓度估算》
本文也利用其他机器学习模型进行训练和测试,结果如表4所示。可知:相对于没有使用集成策略机器学习模型,以分类回归树作为基学习器,分别使用Bagging集成的随机森林和Boosting集成的GBRT以及XGBoost,各种模型性能指标有较大提升,集成策略对于单学习器模型的结果而言有较好表现。与此同时,对于使用不同集成学习框架的XGBoost、GBRT和RF,本文提出的Stacking回归模型在3种评价指标中有明显提升,表明本文所提出的回归模型与其他模型相比,模型表现更优。
图表编号 | XD00132659800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.01 |
作者 | 赵滨、刘斌 |
绘制单位 | 陕西科技大学电子信息与人工智能学院、陕西科技大学电子信息与人工智能学院 |
更多格式 | 高清、无水印(增值服务) |