《表1 GBDT算法模型参数的最佳值》

  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

《基于梯度增强决策树算法的纸张质量软测量模型》

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

对于模型参数，GBDT算法主要有损失函数、每棵树深度、弱回归树棵树和学习率4个参数需要选择。损失函数常用的主要有最小二乘、最小绝对值差值、Huber损失和分位数损失，结合本研究数据波动较大，而Huber损失函数对异常值的抗干扰能力强，因此本研究选用Huber损失函数。然后确定每棵树深度，在数据量不大的情况下，树深度一般在3～6之间选取，树深度较高很容易导致模型过拟合[18]，即模型过度学习训练集特征导致对新数据的预测效果变差，表现在训练误差降低而测试误差反而增加。接着确定弱回归树棵树，在10、100、1000三个数量级上选取范围，为了找到最佳值，使用网格搜索方法[20]，以10（或50）为增量搜索确定。最后确定学习率，在0.001、0.01、0.1数量级上选取，然后逐步缩小范围，直至在保证模型没有过拟合的前提下测试误差最低，即为模型最佳参数。3种质量软测量模型参数的最佳值如表1所示。模型的测试结果如图3所示。