yh86银河国际第39期博士生沙龙——“机器学习时代——规划研究要如何应用?”,于10月24日下午在南四N306展开并取得圆满成功!
本期对话以主分享人——博士生王书贤主讲、特邀嘉宾——袁满老师点评的方式进行,本期沙龙从机器学习的优势、深度学习的简介、深度学习在规划中的运用三个方面展开介绍。
王书贤博士首先从规划研究中常用的数学分析方法入手,循序渐进的引出近年来规划研究中使用较多的机器学习方法,其次对机器学习方法的原理进行简单介绍,最后通过两篇论文介绍了使用较多的梯度提升决策树(GBDT)及随机森林(RF)算法在规划研究中的应用方法。
Part1 规划研究中常用的分析方法
在规划定量分析中,我们常常使用回归分析的方法来探索变量之间是否存在关系,以及如果存在关系,它们之间是什么样的关系。其中,最常见的回归分析包括线性回归、逻辑回归和非线性回归。近年来,机器学习成为非线性回归中较为流行的算法之一,被各领域广泛运用。
Part2 机器学习入门
什么是机器学习?
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。
机器学习基本算法
模型:通过输入特征向量x,经过函数运算,输出预测值y
策略:通过损失函数计算预测值
算法:输出令损失函数最小的参数值w
机器学习的分类
监督学习:用于聚类分析
无监督学习:用于回归、分类分析
机器学习中集成学习算法
Boosting:梯度提升决策树
Bagging:随机森林
Stacking:有层次的融合模型
Part3 规划研究如何运用
选取规划研究中最常见的梯度提升决策树(GBDT)和随机森林(RF)作为介绍。
GBDT算法
优势:算法较传统数学运算准确,可以找出自变量对因变量的阈值效应,以及变量间的交互效应。
方法运用展望:规划研究用作回归分析较多
RF算法
优势:可以用来解决分类和回归问题,算法非常稳定,抗过拟合效果强,可以找出自变量对因变量的阈值效应。
方法运用展望:规划研究用作分类、预测研究较多
在嘉宾点评环节,袁满老师首先肯定了王书贤博士分享的主题与内容,认为这是一次精彩的报告,后结合自身体会分享了三方面观念。
目前机器学习更多的应用在计算机等特定学科领域,在规划研究方面应用时,要考虑机器学习的目标和应用问题是否一致?使用起来是否合适?注意怎样把需要机器学习解决的问题从研究中提取出来。
怎样将社会关注的空间要素和经济要素进行区分?在进行研究时,要注意将研究讲清楚,不是仅仅使用了新的分析方法,而是通过新方法解决了什么问题。
在研究过程中,学会跳出方法来看待问题,方法是工具而非研究重点,核心是专业方面的知识创新,是借助新方法提升对研究问题的认知。
在一系列的深入交流与探讨后,大家对机器学习及其在专业领域应用的理解更进一步。袁满老师与王书贤博士鼓励大家平时多进行学术方面的交流与思考,多动手多写文章,也希望同学们更加积极地参与到博士生沙龙的活动中来。