一种基于XGboost的战储航材品种确定方法

• 作 者: 张敦成 阳菲宇
• 出 处: 科学与生活
• 发表日期: 2021年24期

　　摘要：为了解决传统品种确定方法人为因素影响较大、准确性低等弊端，笔者以XGboost理论为基础，提出一种基于XGboost的战储航材品种确定方法，对提高战储航材品种确定的准确定具有重要意义。
　　1算法介绍
　　XGboost算法又叫作极限梯度提升算法，是由GBDT算法发展而来的一种以Boosting集成学习为核心的提高树算法。XGboost算法不仅在预测方面具有较高的准确性，而且在运算效率和容错率方面也优于其他算法，可结合实际问题对其算法进行相应调整，这使得XGboost算法被广泛应用于多种领域。
　　1.1 XGboost树的定义
　　XGboost算法符合前向分步加法，是由个基础模型累加而成的加法模型，其第t棵树的训练模型如下所示：
　　其中表示迭代t次后样本i的预测结果，表示前课树的预测结果，为第t棵树的预测模型。
　　1.2 XGboost的目标函数
　　XGboost算法的loss函数由真实值和预测值构成，实质上是预测指与真实值的偏差。
　　其中，n表示样本数量。
　　众多周知，模型的精确性同时受偏差和方差的影响，模型的偏差由loss函数表示，为了减小模型的方差，还需要在目标函数中加入正则项。正则项可以用来控制模型复杂程度，模型复杂性越低，其泛化性就越高，应用范围就越广。因此，XGboost的目标函数由loss函数和正则项共同组成，其表示方法如下所示：
　　式中，为正则项，在数值上等于前t棵树的复杂度的累加和，用来避免模型出现过度拟合现象。
　　2建立评价指标
　　本文以精确度、储备率、期望准确率以及的值作为XGboost分类模型的评价指标，各指标的计算方式如下：
　　式中，表示需列为战备储备的样本中被列为战储航材的样本数量;表示需列为战备储备的样本中没有被列为战储航材的样本数量;表示不需列为战备储备的样本中被列为战储航材的样本数量;表示不需列为战备储备的样本中没有被列为战储航材的样本数量。
　　3 XGboost分类模型的基本步骤
　　基于XGboost算法理论基础，根据某机型航材执行任务期间消耗数据，给出该机型战储航材品种确定方法，其流程如下：
　　1）对某机型执行任务期间的航材消耗数据进行收集整理，分析其消耗规律，并对航材数据进行归一化处理。
　　2）分析战储航材品种确定影响因素，对样本航材各因素的属性值进行分析。
　　3）对航材样本进行分组，设置训练集和测试集对算法进行训练，用折交叉验证法确定航材样本的分组数，最终确定最优分组。
　　4）用XGboost算法对各影响因素的重要度进行排序，选取对战储航材品种确定影响较大的因素，建立战储航材品种确定决策和规则库。
　　战储航材品种确定基本流程如图1所示。
　　参考文献
　　[1]宋传洲，王瑞奇，孙岩，刘战，孟凡娜.面向任务携行航材品种确定和消耗预测的特征选择分析[J].兵工自动化，2021，40（06）：80-86.
　　[2]阮旻智，傅健，周亮，王俊龙.面向任务的作战单元携行备件配置优化方法研究[J].兵工學报，2017，38（06）：1178-1185.