《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》
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。
图表编号 | XD00216907000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.28 |
作者 | 陈静、陈焕新、曾宇柯 |
绘制单位 | 华中科技大学能源与动力工程学院 |
更多格式 | 高清、无水印(增值服务) |