shap

共享自行车与电动共享自行车使用中建成环境影响的对比研究：基于合肥数据的时空机器学习分析共享微出行（如共享自行车BS、电动共享自行车EBS）作为推动城市可持续交通的重要方式，近年来发展迅速，但现有研究多单独分析BS或EBS，缺乏二者出行特征与影响因素的对比；同时，机器学习模型虽能捕捉非线性关系，却常忽略时空异质性，易导致估计偏差。为此，本研究以中国合肥为案例，开发了融合XGBoost（极端梯度提升）与GTWR（地理时空加权回归）的“GTWBoost”模型，既考虑时空异质性，又捕捉非线性关系，最终对比分析建成环境对BS和EBS使用的影响，为运营商优化调度与政策制定提供依据。

随风飘摇的土木狗

【MATLAB第116期】基于MATLAB的NBRO-XGBoost的SHAP可解释回归模型（敏感性分析方法）该文章实现了一个可解释的回归模型，使用NBRO-XGBoost（方法可以替换，但是需要有一定的编程基础）来预测特征输出。该模型利用七个变量参数作为输入特征进行训练。为了提高可解释性，应用了SHapley Additive exPlanations（SHAP），去深入了解每个参数对模型预测的贡献。

随风飘摇的土木狗

【MATLAB第114期】基于MATLAB的SHAP可解释神经网络分类模型（敏感性分析方法）该文章实现了一个可解释的神经网络分类模型，使用BP神经网络（BPNN）来预测特征输出。该模型利用12个变量参数作为输入特征进行训练。为了提高可解释性，应用了SHapley Additive exPlanations（SHAP），去深入了解每个参数对模型预测的贡献。

随风飘摇的土木狗

【MATLAB第112期】基于MATLAB的SHAP可解释神经网络回归模型（敏感性分析方法）【MATLAB第112期】基于MATLAB的SHAP可解释神经网络回归模型（敏感性分析方法）该文章实现了一个可解释的神经网络回归模型，使用BP神经网络（BPNN）来预测特征输出。该模型利用七个变量参数作为输入特征进行训练。为了提高可解释性，应用了SHapley Additive exPlanations（SHAP），去深入了解每个参数对模型预测的贡献。

我是有底线的