基于机器学习的多模型组合的应用

编译：xshh

出品：ATYUN订阅号

机器学习(Machine Learning)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。2019年1月16号，诺丁汉大学地理学院提出一篇名为“探索全球水文模型集合加权多模型组合的机器学习价值”的论文。以下是对该论文的一些简单介绍。

集锦

文章首次提出将基于机器学习的多模型组合（MMC）应用于全球水文模型（GHM）集成的想法。主要从三个方面提出。

1.MMC的性能优于任何单独的输入模型和集成平均值。

2.MMC并不总是能够基于多重线性回归进行模型组合。

3.MMC解的物理解释受限于其非线性加权方案的复杂性。

以40个全球大流域的5个温室气体管理系统的径流模拟为例。与表现最佳的GHM相比，MMC解决方案的基准、中值性能增益为45%，与EM相比超过100%。MMC提供的性能增益表明，未来的多模型应用程序应考虑报告MMC，以及EM和多式联运范围，以向GHM系统的最终用户提供更好的连续性。径流的临时估算。重要的是，这项研究强调了用物理术语解释复杂的非线性MMC解的困难。这表明需要一种基于机器学习方法的实用方法来研究未来的MMC，在这种方法中，允许的解决方案复杂性受到了严格的限制。

原论文PDF地址：https://www.sciencedirect.com/science/article/pii/S1364815217309817#!

看完了就留下一个喜欢再走吧~