基于贝叶斯优化机器学习超参数的滑坡易发性评价

• 作者: 杨灿 刘磊磊 张遗立 朱文卿 张绍和
• 来源期刊: 地质科技通报
• 学科: 地球科学
• 关键词: 滑坡 易发性评价 湘中地区 机器学习 超参数优化 贝叶斯
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: “地灾失稳机制及其风险评价”专辑
• 页码范围: 228-238
• 页数: 11页
• 分类号: P642.22
• 语种: 中文
• DOI: 10.19509/j.cnki.dzkq.2022.0059

摘要

利用机器学习模型进行滑坡易发性评价时,不同的超参数设置往往会导致评价结果的不同.采用贝叶斯算法对4种常见机器学习模型(逻辑回归LR、支持向量机SVM、人工神经网络ANN和随机森林RF)的超参数进行了优化,探索了该算法对滑坡易发性机器学习模型的优化效果.以湘中地区4县(安化县、新华县、桃江县和桃源县)滑坡易发性评价为例说明该算法的可行性与适用性.基于滑坡历史编录,确定研究区内1 017个滑坡点,并选定15个滑坡影响因子,以此构建滑坡易发性模型的训练集和测试集.利用贝叶斯优化算法对4种机器学习模型的主要超参数进行了优化,依据优化后的超参数建立了 4种优化模型,并使用AUC值等指标来比较其预测能力.结果表明:经超参数优化后的4种机器学习模型预测性能均有所提高,且基于贝叶斯优化的随机森林模型表现最好.