Деревья повышенной регрессии - значения отклонения - PullRequest
Новая
       19

Деревья повышенной регрессии - значения отклонения

2 голосов
/ 02 марта 2020

Я устанавливаю модель BRT, используя пакет gbm в R для следующей модели:

высота над землей ~ Возраст + сезон + среда обитания + время дня

Высота над землей - непрерывная переменная, как и время дня. Сезон и среда обитания являются биномиальными переменными.

Я получаю очень большое отклонение и не знаю почему ... Может кто-нибудь помочь мне с параметрами? 

> M1 <- gbm.step(data=data, gbm.x = 2:5, gbm.y = 1,
+                family = "gaussian", tree.complexity = 4,
+                learning.rate = 0.01, bag.fraction = 0.50,
+                tolerance.method = "fixed",
+                tolerance = 0.01)


 GBM STEP - version 2.9 

Performing cross-validation optimisation of a boosted regression tree model 
for HAG and using a family of gaussian 
Using 15439 observations and 4 predictors 
creating 10 initial models of 50 trees 

 folds are unstratified 
total mean deviance =  55368.22 
tolerance is fixed at  0.01 
ntrees resid. dev. 
50    51050.65 
now adding trees... 
100   48935.65 
150   47805.14 
200   47193.43 
250   46841.71 
300   46631.33 
350   46498.56 
400   46418.58 
450   46371.7 
500   46336.54 
550   46317.53 
600   46309.25 
650   46300.57 
700   46296.82 
750   46297 
800   46299.11 
850   46297.7 
900   46298.34 
950   46292.32 
1000   46297.62 
1050   46295.78 
1100   46301.32 
1150   46306.59 
1200   46312.55 
1250   46314.67 
1300   46318.64 
1350   46321.38 
1400   46324.33 
1450   46322.9 
fitting final gbm model with a fixed number of 950 trees for HAG

mean total deviance = 55368.21 
mean residual deviance = 45913.34 

estimated cv deviance = 46292.32 ; se = 1366.501 

training data correlation = 0.413 
cv correlation =  0.406 ; se = 0.008 

elapsed time -  0.02 minutes

1 Ответ

2 голосов
/ 02 марта 2020

Отклонение в гм является среднеквадратичной ошибкой, и оно будет зависеть от масштаба, в котором находится ваша зависимая переменная.

Например: 

library(dismo)
library(mlbench)
data(BostonHousing)
idx=sample(nrow(BostonHousing),400)
TrnData = BostonHousing[idx,]
TestData = BostonHousing[-idx,]

Зависимая переменная - это последний столбец "medv", поэтому мы запускаем gbm для необработанных данных: 

gbm_0 = gbm.step(data=TrnData,gbm.x=1:13,gbm.y=14,family="gaussian")

mean total deviance = 84.02 
mean residual deviance = 7.871 

estimated cv deviance = 13.959 ; se = 1.909 

training data correlation = 0.952 
cv correlation =  0.916 ; se = 0.012

Вы можете видеть, что среднее отклонение также можно рассчитать по вашим остаткам (что предсказывается по y - y): 

mean(gbm_0$residuals^2)
[1] 7.871158

Всегда полезно использовать testData (на котором модель не была обучена). Вы также можете проверить, насколько близко это к фактическим данным, используя либо корреляцию, либо MAE (средняя абсолютная ошибка): 

pred = predict(gbm_0,TestData,1000)    
# or pearson if you like
cor(pred,TestData$medv,method="spearman")
[1] 0.8652737
# MAE
mean(abs(TestData$medv-pred))
[1] 2.75325

Визуализируйте, хорошая корреляция имеет смысл, что ваши прогнозы в среднем отклоняются на 3.

enter image description here

Теперь, если вы измените шкалу зависимой переменной, отклонение из-за вашей интерпретации изменится, или MAE останется прежним: 

TrnData$medv = TrnData$medv*2
TestData$medv = TestData$medv*2
gbm_2 = gbm.step(data=TrnData,gbm.x=1:13,gbm.y=14,family="gaussian")

mean total deviance = 336.081 
mean residual deviance = 30.983 

estimated cv deviance = 57.52 ; se = 10.254 

training data correlation = 0.953 
cv correlation =  0.911 ; se = 0.019 

elapsed time -  0.2 minutes

pred = predict(gbm_2,TestData,1000)    
cor(pred,TestData$medv,method="spearman")
[1] 0.8676821
mean(abs(TestData$medv-pred))
[1] 5.47673
...