· 学习背景 ·
地理加权回归（Geographically weighted regresion, GWR）是估计依赖变量和独立变量之间的关系在地理背景下的空间变化的重要工具，在诸多科学领域都有着广泛的应用。然而，GWR 存在一个问题，即构成 GWR 模型的经典线性回归更容易出现拟合不足的情况，特别是对于大规模和复杂的非线性数据，导致性能较差。一些先进的模型，如决策树和支持向量机，可以更有效地学习复杂数据的特征，但它们无法提供对局部关系的空间变化的可解释性量化。
在本课程中，我们将实现一种基于梯度提升的地理加权集成学习方法。并在空间网格上根据人为设定的变量依赖关系生成模拟数据集，以进行算法实现的应用与性能测试。同时和 GWR 基准模型进行对比。该方法应用了局部加法模型和梯度提升优化方法来减轻拟合不足问题，并保留了地理位置变量之间空间变化的可解释性量化能力。
· 学习目标 ·
· 了解线性回归和地理加权回归的原理并实现，识别其不足之处
· 了解 GWRBoost 的原理并实现
· 在模拟数据集上进行性能测试
<gif. 教案预览>
· 主办方 ·
· 特邀导师 ·
· 学习大纲 ·
简介 学习目标 问题概述 解决办法 空间异质性
1. 背景介绍
2. 数据集概述
多元线性回归实现
地理加权回归实现
4. 基于梯度提升的地理加权集成学习方法
GWR 的问题
梯度下降提升方法
5. 结论
6. 作业
<fig1. GWR现存问题1>
<fig 2. GWR现存问题2>
<fig.3 GWRBoost>
