GWRBoost：一种用于空间变化关系可解释量化的地理加权梯度提升方法
机器学习
2022-12-16 v2 机器学习
摘要
地理加权回归（GWR）是估计地理背景下因变量与自变量之间关系空间变化的重要工具。然而，GWR 存在如下的问题：构成 GWR 模型的经典线性回归更容易欠拟合，尤其对于海量且复杂的非线性数据，导致比较性能不佳。尽管如此，一些先进模型（如决策树与支持向量机）能更有效地从复杂数据中学习特征，但它们无法对局部关系的空间变化提供可解释量化。为解决上述问题，我们提出了一种地理梯度提升加权回归模型 GWRBoost，其应用局部加性模型与梯度提升优化方法来缓解欠拟合问题，并保留对地理定位变量间空间变化关系的可解释量化能力。此外，我们给出了所提模型的 Akaike 信息量评分的计算方法，以与经典 GWR 算法进行比较分析。通过仿真实验与实证案例研究证明了 GWRBoost 的有效性能与实用价值。结果表明，我们提出的模型在参数估计精度上使 RMSE 降低 18.3%，在拟合优度上使 AICc 降低 67.3%。
引用
@article{arxiv.2212.05814,
title = {GWRBoost:A geographically weighted gradient boosting method for explainable quantification of spatially-varying relationships},
author = {Han Wang and Zhou Huang and Ganmin Yin and Yi Bao and Xiao Zhou and Yong Gao},
journal= {arXiv preprint arXiv:2212.05814},
year = {2022}
}
备注
13 pages, 8 figures, 4 tables