《表2 极值频率误差结果：基于正则化贪心森林的多维频率指标智能化预测方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于正则化贪心森林的多维频率指标智能化预测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

Hz

GBTD和随机森林（random forest，RF）是Kaggle等竞赛中常见的机器学习方法，能较好地拟合非线性数据，预测精度高。然而，GBTD和RF都没有正则化机制，在处理回归问题上都存在过拟合的风险。针对过拟合问题，RGF在目标函数中引入了正则化机制，提升预测精度的同时降低过拟合风险。因此，本文将基于GBTD和RF的频率指标预测方法作为对比方法，利用相同的数据集进行测试，以验证本文所提出的方法的有效性。本文以IMAE、IMRE、IRMSE作为评价指标，对3种算法所得结果进行对比分析。fnadir、fss、RmaxoCoF的误差结果分别如表2—4所示，误差分布分别如图6—8所示。