25、机器学习在臭氧预测中的应用与优化

机器学习在臭氧预测中的应用与优化

1. XGBoost模型评估

不同 max_depth 的XGBoost模型会输出平均负均方根误差（negated root mean squared error）和平均标准差。对于负均方根误差，分数越高越好，由于分数显示为负数，我们要将负分数最大化（使其更接近0）。各模型表现相近，说明性能良好。

为了比较各模型，我们创建了箱线图来可视化和理解这些平均分数在每个折叠中的分布。以下是生成该图的代码：

import matplotlib.pyplot as plt
# plot model performance for comparison
plt.boxplot(results, labels=names, showmeans=True)
plt.suptitle("Voting-XGBoost", size=16)
plt.xlabel("XGBoost models")
plt.ylabel("neg_RMSE")
plt.grid()
plt.show()

该图显示每个模型的平均值约为 -0.90，最大值和最小值范围从 -0.25 到 -1.90。这意味着不同的 max_depth 值对大多数模型影响不大。更大、更长期的数据集很可能会为每个XGBoost变体带来更多不同的结果。

2. 模型评估指标

本文使用传统的统计准确性评估指标，如均方误差（MSE）和均方根误差（RMSE）来评估模型。
- 均方误差（MSE）