基於樹的集成方法在房屋銷售價格預測中的應用;Tree-Based Ensemble Methods with an Application in House Sale Price Prediction

NCU Institutional Repository > 理學院 > 數學研究所 > 博碩士論文 > Item 987654321/90084

jsp.display-item.identifier=請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/90084

题名:	基於樹的集成方法在房屋銷售價格預測中的應用;Tree-Based Ensemble Methods with an Application in House Sale Price Prediction
作者:	李思娜;Lisnawati, Intan
贡献者:	數學系
关键词:	预测;合奏法;基础学习者;损失函数;prediction;ensemble method;base learner;loss function
日期:	2022-09-30
上传时间:	2022-10-04 12:10:29 (UTC+8)
出版者:	國立中央大學
摘要:	给定一些输入，我们想要对相应的输出进行预测。为了对单个估计器做出更好的预测，集成方法结合了使用给定学习算法构建的几个基本估计器的预测。还可以调整每种方法的参数，以使真实值和预测值之间的差距更小。通过使用房屋销售价格训练数据集，我们应用一些集成方法来预测看不见的房屋销售价格数据集，并根据它们的均方根误差(RMSE) 值查看准确性。结果表明，Gradient Boosting 给出的RMSE 最小，为22,766 美元，同时随机森林为23,269 美元，XGBoost 为24,069 美元，决策树为35,637 美元;Given some input, we want to make a prediction for the correspond- ing output. In order to make a better prediction over a single estimator, ensemble methods combine the predictions of several base estimators built with a given learning algorithm. Each method’s parameter also can be adjusted in order to get a closer gap between the real and the predicted value. By using House Sale Price training data set, we apply some ensem- ble methods to predict the unseen House Sale Price data set and see the accuracy based on their Root Mean Squared Error (RMSE) value. It shows that Gradient Boosting gives the smallest RMSE, US$ 22,766, meanwhile Random Forest US$ 23,269, XGBoost US$ 24,069, and Decision Tree US$ 35,637.
显示于类别:	[數學研究所] 博碩士論文

文件中的档案:

档案	描述	大小	格式	浏览次数
index.html		0Kb	HTML	136	检视/开启

在NCUIR中所有的数据项都受到原著作权保护.

社群 sharing

数据加载中.....