《表3 参数优化结果：基于SMOTE的XGBoost算法在风机叶片结冰预测中的应用》

  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SMOTE的XGBoost算法在风机叶片结冰预测中的应用》

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

实验得知n＿extimators与learnin＿rate在调参时相互依赖，且参数booster在非线性数据集上只有gbtree，dart两种选择，故对这三个参数进行网格搜索调参（GridSearch）。对其余需要调参的六个参数依次使用学习曲线调参。用学习曲线选择最优参数时，需要选择合适的模型评估指标。精确率是常用于分类模型的评估指标，衡量模型正确分类样本占总样本的比例。由于风叶结冰数据占总数据集比例较少，即使模型将所有样本判定为正样本也有较高的精确度，但此时模型效果欠佳，因此需要选择更加合理的模型评估指标，在保证模型精确率的同时保证结冰数据的召回率。F1 Score，又称为平衡F分数（Balance F Score），被定义为准确率（accuracy）和召回率（recall）的平均分数，公式为:，综合考虑了召回率（recall）和特异度（specificity），广泛应用于不平衡数据集分类器的评估。两种评估指标取值范围均为(0，1]，越接近1说明模型表现越好。图6为max＿depth参数的学习曲线图，由图可知，当参数取值为2、4、6、8、12时，模型处于模型过于简单的欠拟合状态；取值为12、14时，G-mean和F1 Score都处于峰值，此时模型分类效果最好；当取值为16、18、20时，XGBoost树模型过于复杂，拟合情况一般，当取值14时，模型具有较高的分类表现和泛化能力。其他参数的优化过程与之类似，在此不进行赘述，参数优化最终结果如表3所示。