典型文献
基于XGBoost与SHAP模型的特征分析在PM2.5浓度预测中的应用
文献摘要：
进一步提升PM2.5 浓度预测精度的同时增强模型的可解释性,对深化大气污染防治,助推区域经济高质量发展有一定的现实意义.以空气污染物和气象条件作为特征因子,提出一种基于XGBoost与SHAP的PM2.5 浓度预测模型.首先,利用Lasoo对原始特征变量数据集进行处理,将处理完的数据作为XGBoost模型的输入进行迭代训练实验,以此获得性能最佳的预测模型.然后,使用SHAP对模型特征进行解释.结果表明,基于XGBoost的PM2.5 浓度预测模型在RMSE,MAE和R2 三组指标上优于对比模型;综合SHAP、XGBoost和随机森林的特征变量重要性分布结果,识别影响PM2.5 浓度的关键因素.
文献关键词：
XGBoost模型;PM2.5浓度预测;SHAP模型;特征分析
中图分类号：
作者姓名：
张士杰;窦燕
作者机构：
新疆财经大学 统计与数据科学学院,新疆 乌鲁木齐 830012
文献出处：
引用格式：
[1]张士杰;窦燕-.基于XGBoost与SHAP模型的特征分析在PM2.5浓度预测中的应用)[J].赤峰学院学报（自然科学版）,2022(12):10-17
A类：
Lasoo
B类：
XGBoost,SHAP,PM2,浓度预测,增强模型,可解释性,大气污染防治,区域经济高质量发展,空气污染物,气象条件,特征因子,特征变量,理完,迭代训练,获得性,模型特征,RMSE,MAE,对比模型,变量重要性
AB值：
0.324025
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
