Page 194 - 《高原气象》2026年第2期
P. 194
高 原 气 象 45 卷
494
图4 LightGBM_24算法预测未来1 h低能见度模型中各特征的SHAP值（a）和重要性（b）
Fig. 4 SHAP values （a） and importance （b） of each feature in the low-visibility
LightGBM_24 algorithm model after one hour
图5 一个正样本特征的影响图
Fig. 5 Impact of each feature for a positive sample
图6 一个负样本特征的影响图
Fig. 6 Impact of each feature for a negative sample
5 和图 6 可知， LightGBM_24_1h 模型的基本值为 增加， 一方面这可能与样本量、 特征数量少有关。
-7. 1， 正样本的特征将预测输出值推高， 负样本的 例如 LightGBM 对站点最高、 最低气温预报能力优
特征将预测输出值推低。图 5 正样本的 rh_ob 值为 于主观预报， 但当温度变化剧烈时， 由于样本数较
97%， 对预测的正影响最大， 将 f（x）大幅度推高。 少， 机器学习方法可能会略差于主观预报（孙康慧
图 6 负样本的 rh_ob 值为 62%， 对预测的负影响最 等， 2024）。另一方面， 也可能与 LightGBM 算法使
大， 将f（x）大幅推低。 用了独占特征绑定技术有关。独占特征绑定可以
有效地减少特征的数量， 从而加速训练过程， 这是
4 讨论和结论
LightGBM 算法比 XGBoost 算法效率高的原因之
4. 1 讨论 一， 但互斥特征的绑定有可能会忽视特征之间的微
在本文中， XGBoost 算法模型比 LightGBM 算 小信息或特征之间的交互作用。
法模型评分高， 特征筛选后模型的 F1_score 也有所 本文主要考虑的是大雾天气造成低能见度事
