經(jīng)濟發(fā)展的必然性使經(jīng)濟預測成為可能,經(jīng)濟發(fā)展的偶然性意味著經(jīng)濟預測一定存在誤差。經(jīng)濟預測是政府和企業(yè)的經(jīng)濟決策、編制計劃和經(jīng)濟管理的重要依據(jù),所以經(jīng)濟預測的準確性十分重要。在面對國內(nèi)外經(jīng)濟環(huán)境的復雜性時,機器學習模型在預測領域往往具有更好的預測性能。雖然機器學習模型預測性能較好,但由于模型結(jié)構復雜且不透明而只能得到預測的優(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,機器學習模型在可解釋性和準確性之間做出權衡。此外,機器學習模型大多是非參數(shù)模型。所以,機器學習模型的“黑箱問題”阻礙了其在實際中的運用,而且不透明的機器學習模型的應用可能會導致道德、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證方法訓練神經(jīng)網(wǎng)絡、支持向量機、隨機森林、極端決策樹和XGBOOST模型,采用均方誤差和R²對比機器學習模型和線性回歸模型在長期預測和短期預測中的預測準確性。在確定了機器學習模型的預測性能的確優(yōu)于線性回歸模型后,計算在長期預測和短期預測中預測性能都有較大提升的隨機森林、極端決策樹和XGBOOST三種模型的Shapley值,然后利用不同時間的...

【文章頁數(shù)】：77 頁

【學位級別】：碩士

【部分圖文】：

圖4-1嵌套的交叉驗證

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

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

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

圖5-3預測1季度以后GDP的模型訓練結(jié)果

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

圖53預測1年后GDP的模型對比

5.實證分析結(jié)果45圖5-3預測1年后GDP的模型對比從圖5-4中發(fā)現(xiàn)，在預測一季度后GDP時，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)的預測準確性沒有明顯的提升。支持向量機和神經(jīng)網(wǎng)絡的R2和RMSE相比于線性回歸模型都有一個明顯的差值，....

本文編號：3945584