机器学习与人工智能在气候变化预测中的应用

# 机器学习与人工智能在气候变化预测中的应用 ## 1. 温度预测的机器学习模型 ### 1.1 评估指标 为了评估所提出的回归机器学习（ML）模型（线性回归（LR）、随机回归（RF）、K近邻回归（KNN）、决策树回归（DT）、支持向量回归（SVM）和Cat Boost回归（CBR））的执行情况，使用了以下评估指标： - **均方误差（MSE）**：计算公式为 \(MSE = \frac{1}{N}\sum_{i = 1}^{N}(y_{actual_i} - y_{predicted_i})^2\)，其中 \(N\) 是特征数量，\(y_{actual_i}\) 是实例 \(i\) 的实际值，\(y_{predicted_i}\) 是实例 \(i\) 的预测值。 - **平均绝对误差（MAE）**：计算公式为 \(MAE = \frac{1}{N}\sum_{i = 1}^{N}|y_{actual_i} - y_{predicted_i}|\)。 - **均方根误差（RMSE）**：计算公式为 \(RMSE = \sqrt{\frac{1}{N}\sum_{i = 1}^{N}(y_{actual_i} - y_{predicted_i})^2}\)。 - **决定系数（\(R^2\)）**：计算公式为 \(R^2 = 1 - \frac{\sum_{i = 1}^{N}(y_{actual_i} - y_{predicted_i})^2}{\sum_{i = 1}^{N}(y_{actual_i} - \overline{y})^2}\)，其中 \(\overline{y}\) 是平均值。 ### 1.2 模型评估结果 以下是不同模型基于上述评估指标的结果： | 模型 | MSE | MAE | RMSE | \(R^2\) (%) | | --- | --- | --- | --- | --- | | 线性回归 | 0.009 | 0.0092 | 0.094 | 85.3 | | 随机回归 | 0.007 | 0.0075 | 0.787 | 88.9 | | K近邻回归 | 0.005 | 0.0058 | 0.070 | 90.6 | | 决策树回归 | 0.007 | 0.0071 | 0.787 | 88.4 | | 支持向量回归 | 0.004 | 0.0043 | 0.063 | 91.1 | | Cat Boost回归 | 0.003 | 0.0036 | 0.054 | 92.4 | 从这些结果可以看出，Cat Boost回归模型在所有模型中表现最优，具有最小的误差率和最高的 \(R^2\) 值。 ### 1.3 数据处理流程 数据处理流程如下： ```mermaid graph LR A[数据收集] --> B[特征分析] B --> ```