《表2 成分分析记录表：基于梯度提升回归树的冷水机组能耗预测方法》

  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

《基于梯度提升回归树的冷水机组能耗预测方法》

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

当数据量和特征数不是特别巨大时，GBRT算法建模主要只有两个参数需要确定，分别是学习率learning＿rate和迭代次数n＿estimators[15]。学习率用来控制学习时参数更新的步长，如果步长过大，学习过程可能会发散，如果步长过小，又会导致需要进行太多次迭代，学习时间会大幅增加。本文通过网格搜索进行超参数寻优，评价指标为负的平均绝对误差（mean absolute error，MAE），单位为W，部分寻优结果如表2所示，评价指标的绝对值越小证明误差越小。结果显示GBRT模型在较宽泛的参数范围内都能接近最优结果。最后，将最优学习率和迭代次数分别设为0.4和1 000，其他参数设为默认，得到最终的GBRT训练模型。