一、摘要非常清楚作者针对问题二做了什么如何进行为什么很详细二、告诉评委我们使用Boosting算法的原因这里我作为一名小白拿到他的论文第一眼我就知道他要什么这是一个十分加分的做法问题重述也简化了简明扼要就是告诉评委我解决的问题。这里加上问题背景也很好再在问题分析给出做法我以评委的视角来读这一段脑子里很清晰他就是要用Boosting算法来对因素的影响进行分析。三、给出梯度决策树GBDT的概念四、两种算法解释较为完整并不是直接使用而是适当的进行讲述五、给出XGBoost、LightGBM训练和参数优化过程证明代码是自己跑出来的是可以进行推敲的。这里拒绝AI一趟跑完一定减分。记住AI跑出来的不是你的但经过你的调整更好更完整它就是你的针对XGBoost的调整1、作者首先对这个值为树的最大深度以及最小叶子节点样本权重和这个组合进行调整。最大深度控 制了树的结构最小叶子节点样本权重这个参数用于避免过拟合。当它的值较大时可以避免模 型学习到局部的特殊样本。但是如果这个值过高会导致欠拟合。这里看到文章中给出代码遍历max_depth:3,5,7,9.min_child_weight:2,4,6.2、对gamma进行调整对树的保守程度测试。3、对参数 subsample 和 colsample_bytree 进行调整。subsample 控制对于每棵树的随机采样的 比例。减小这个参数的值算法会更加保守避免过拟合。但是如果这个值设置得过小它可 能会导致欠拟合。colsample_bytree 用来控制每棵随机采样的列数的占比(每一列是一个特征)。4、对L1正则化系数reg_alpha进行调整原因防止出现过拟合。搞笑的是他这里写错了reg_alpha写成了gamma5、最后进行学习速率的调整选择最优的学习速率最终确定适合的模型。LightGBM优化同理六、将主流的GBDT优化模型XGBoost,LightGBM进行对比而不是直接选用XGBoost或者LightGBM并给出原因XGBoost运用 XGBoost 算法对催化剂和温度对于乙醇转化率的影响的最优模型运用 XGBoost 算法对催化剂和温度对于C4 烯烃选择性的影响的最优模型LightGBM运用 lightGBM 算法对催化剂和温度对于乙醇转化率的影响的最优模型运用 lightGBM 算法对催化剂和温度对于C4 烯烃选择性的影响的最优模型给出比较方法最终选择XGBoost对催化剂和温度对于乙醇转化率的影响的模型更好lightGBM 对催化剂和温度对于C4 烯烃选择性的影响的模型更好结束用两个模型给出答案文件附录https://gitee.com/miao-zhou/xgboost/blob/master/2021%E5%9B%BD%E8%B5%9BB%E9%A2%98%E8%AE%BA%E6%96%87.pdf