机器学习模型超参数调优与性能比较：基于GBRT模型的预测分析

事实上，这些模型中的每一个都是作为一系列模型给出的，这些模型由所谓的'超参数'参数化。一旦选择了超参数，就可以将模型拟合到数据中。然而，与参数很少的第一性原理模型不同，这种 ML 模型可能会过度拟合，对于预测新的案例研究变得毫无用处。必须调整超参数，以便优化预测性能（表 S3）。为此，新病例的预期预测误差通过 10 倍交叉验证来估计，这意味着在数据的训练子集上拟合模型，并在验证子集上验证预测。详细信息可在支持信息中找到。RF和GBRT的性能优于SVR和KRR（图S3）。GBRT 预测因子提供了最佳 R2- （0.803）和RMSD值（1.083），表示为GBRT-1（图4A），并应用于本研究。