經(jīng)濟(jì)發(fā)展的必然性使經(jīng)濟(jì)預(yù)測成為可能,經(jīng)濟(jì)發(fā)展的偶然性意味著經(jīng)濟(jì)預(yù)測一定存在誤差。經(jīng)濟(jì)預(yù)測是政府和企業(yè)的經(jīng)濟(jì)決策、編制計(jì)劃和經(jīng)濟(jì)管理的重要依據(jù),所以經(jīng)濟(jì)預(yù)測的準(zhǔn)確性十分重要。在面對國內(nèi)外經(jīng)濟(jì)環(huán)境的復(fù)雜性時(shí),機(jī)器學(xué)習(xí)模型在預(yù)測領(lǐng)域往往具有更好的預(yù)測性能。雖然機(jī)器學(xué)習(xí)模型預(yù)測性能較好,但由于模型結(jié)構(gòu)復(fù)雜且不透明而只能得到預(yù)測的優(yōu)劣,不能得出影響因素對被解釋變量的影響程度和顯著性。也就是說,機(jī)器學(xué)習(xí)模型在可解釋性和準(zhǔn)確性之間做出權(quán)衡。此外,機(jī)器學(xué)習(xí)模型大多是非參數(shù)模型。所以,機(jī)器學(xué)習(xí)模型的“黑箱問題”阻礙了其在實(shí)際中的運(yùn)用,而且不透明的機(jī)器學(xué)習(xí)模型的應(yīng)用可能會(huì)導(dǎo)致道德、安全、隱私和越來越多的法律問題。本文的主要研究思路是使用嵌套的交叉驗(yàn)證方法訓(xùn)練神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、隨機(jī)森林、極端決策樹和XGBOOST模型,采用均方誤差和R²對比機(jī)器學(xué)習(xí)模型和線性回歸模型在長期預(yù)測和短期預(yù)測中的預(yù)測準(zhǔn)確性。在確定了機(jī)器學(xué)習(xí)模型的預(yù)測性能的確優(yōu)于線性回歸模型后,計(jì)算在長期預(yù)測和短期預(yù)測中預(yù)測性能都有較大提升的隨機(jī)森林、極端決策樹和XGBOOST三種模型的Shapley值,然后利用不同時(shí)間的...

【文章頁數(shù)】：77 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖4-1嵌套的交叉驗(yàn)證

基于Shapley回歸框架的中國GDP預(yù)測研究26圖4-1嵌套的交叉驗(yàn)證4.3Shapley回歸框架機(jī)器學(xué)習(xí)模型如支持向量機(jī)、決策樹和神經(jīng)網(wǎng)絡(luò)通常在預(yù)測方面具有更好的預(yù)測性能，盡管機(jī)器學(xué)習(xí)模型存在著不可解釋性問題，但是它在預(yù)測某些需要精確預(yù)測結(jié)果以做出決策的政策問題上還是會(huì)有實(shí)質(zhì)....

圖5-3中，在預(yù)測一季度后的GDP時(shí)，彈性網(wǎng)相對于基準(zhǔn)模型線性回歸而言，均方誤差并沒有明顯的下降，表示彈性網(wǎng)的預(yù)測準(zhǔn)確性相對于線性

基于Shapley回歸框架的中國GDP預(yù)測研究42圖5-2預(yù)測1年以后GDP的模型訓(xùn)練結(jié)果在圖5-3中，在預(yù)測一季度后的GDP時(shí)，彈性網(wǎng)相對于基準(zhǔn)模型線性回歸而言，均方誤差并沒有明顯的下降，表示彈性網(wǎng)的預(yù)測準(zhǔn)確性相對于線性回歸模型沒有改善。支持向量機(jī)相對于線性回歸模型而言，均方誤....

圖5-3預(yù)測1季度以后GDP的模型訓(xùn)練結(jié)果

5.實(shí)證分析結(jié)果43圖5-3預(yù)測1季度以后GDP的模型訓(xùn)練結(jié)果5.3.3模型預(yù)測準(zhǔn)確性對比本文以線性回歸模型作為基準(zhǔn)模型，選取彈性網(wǎng)、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、隨機(jī)森林、極端決策樹和XGBOOST六種模型對比預(yù)測準(zhǔn)確性。本文采用的對比指標(biāo)是均方根誤差（RMSE）和R2，均方根誤差的公....

圖53預(yù)測1年后GDP的模型對比

5.實(shí)證分析結(jié)果45圖5-3預(yù)測1年后GDP的模型對比從圖5-4中發(fā)現(xiàn)，在預(yù)測一季度后GDP時(shí)，彈性網(wǎng)的R2和RMSE相比于線性回歸模型的R2和RMSE沒有明顯的差值，表示彈性網(wǎng)的預(yù)測準(zhǔn)確性沒有明顯的提升。支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)的R2和RMSE相比于線性回歸模型都有一個(gè)明顯的差值，....

本文編號(hào)：3945584