Page 70 - 2023年第54卷第10期

值为－ ２．１５，表明渗透系数 Ｋ６对此样本的预测值同样产生负影响。同理，下游水位 Ｈｄ的样本特征值
为 １３０３．５５６ｍ，Ｓｈａｐｌｅｙ值为＋ １．０１ ，则下游水位 Ｈｄ对样本 ６的预测值产生正影响。坝基防渗帷幕最大
水力梯度预测模型输出的基线为 ６４．８５４，在图 １０（ａ）中各个特征的共同作用下，样本 ６的最终预测值
为 ５９．４６５。
此外，从图 １０中两个不同样本的预测图可以看出，同一输入特征对不同样本的预测影响存在差
异，故对输入特征的解释分析不能太过绝对，以免产生误判 ［１９］ 。

图 １０ 样本预测图
２
５．３ 对比分析与讨论 基于测试集数据，采用决定系数 Ｒ、均方根误差 ＲＭＳＥ、平均绝对误差 ＭＡＥ
和平均绝对百分比误差 ＭＡＰＥ四种误差指标对 ＩＡＯ － ＸＧＢｏｏｓｔ与梯度提升决策树（ＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇＤｅｃｉ
ｓｉｏｎＴｒｅｅ ，ＧＢＤＴ）、随机森林（ＲａｎｄｏｍＦｏｒｅｓｔ，ＲＦ）、决策树（ＤｅｃｉｓｉｏｎＴｒｅｅ，ＤＴ）和支持向量回归（Ｓｕｐ
ｐｏｒｔＶｅｃｔｏｒＲｅｇｒｅｓｓｉｏｎ，ＳＶＲ）四种算法 的预测 性 能进行 对比 分析，如 图 １１所示。其 中，ＧＢＤＴ、ＲＦ、
ＤＴ和 ＳＶＲ的超参数都通过 ＩＡＯ算法寻优而得，故在图 １１中分别表示为 ＩＡＯ － ＧＢＤＴ、ＩＡＯ － ＲＦ、ＩＡＯ －
ＤＴ和 ＩＡＯ － ＳＶＲ。

图 １１ 误差指标计算结果
２
从图 １１可以看出，相比于其余四种算法，ＩＡＯ － ＸＧＢｏｏｓｔ集 成学 习 算 法具 有 最 高的 Ｒ 值，而其
ＲＭＳＥ、ＭＡＥ和 ＭＡＰＥ值均较小，表明 ＩＡＯ － ＸＧＢｏｏｓｔ算法的预测精度较高。通过进一步计算可知，与

— １ ２ ６ —
０