《表1 不同模型在测试集和训练集上的表现》
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Stacking集成学习模型的气态亚硝酸预测》
注:粗体数字表示最佳结果.
将测试集输入训练结束的模型中,以验证每个模型的泛化能力.从表1和图7中可以看出,以RF建立的单模型在训练集中的表现最好,其相关系数R2达到了0.998,但是当所有的模型应用到测试集时,在训练集上表现非常好的RF模型预测性能却出现了下降,说明RF模型在训练集上存在着一定程度的过拟合,而Stacking模型应用于测试集时的性能相比于其它3种单模型却表现出最佳,相关系数R2、MAE、RMSE分别比单模型中表现最好的提升了1.06%、5.65%和7.55%,表明多模型融合框架Stacking对全新的数据集的预测具有很好的泛化性能,使得整个模型具有很好的鲁棒性.图8展示了训练集中测量值和预测值的时间序列,模型预测值和实际测量值整体吻合较好,在几段HONO浓度持续升高和降低期间的趋势都能很好的捕捉到,例如,在2016年11月15日傍晚观测到HONO浓度从0.2×10-9持续上升到4.6×10-9,而模型预测值也敏锐的捕捉到此时HONO的快速变化过程.表明了Stacking集成学习模型在HONO预测方面的可靠性以及准确性.
图表编号 | XD00178956700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.20 |
作者 | 唐科、秦敏、赵星、段俊、方武、梁帅西、孟凡昊、叶凯迪、张鹤露、谢品华 |
绘制单位 | 中国科学院安徽光学精密机械研究所,环境光学与技术重点实验室、中国科学技术大学、中国科学院安徽光学精密机械研究所,环境光学与技术重点实验室、中国科学技术大学、中国科学院安徽光学精密机械研究所,环境光学与技术重点实验室、中国科学院安徽光学精密机械研究所,环境光学与技术重点实验室、中国科学院安徽光学精密机械研究所,环境光学与技术重点实验室、中国科学技术大学、中国科学院安徽光学精密机械研究所,环境光学与技术重点实验室、中国科学技术大学、中国科学院安徽光学精密机械研究所,环境光学与技术重点实验室、中国科学技术大学、 |
更多格式 | 高清、无水印(增值服务) |