Page 57 - Tạp chí Giao thông Vận Tải - Số Tết Dương Lịch

KHOA HỌC CÔNG NGHỆ Tập 6 4
Tập 64
Số 12/2024 (748)
Hình 4.2 trên đây thể hiện sự tương quan giữa giá trị dự
báo và giá trị chính xác của 2 mô hình tương ứng. Kết quả
thể hiện độ chính xác của mô hình được trình bày ở Bảng
4.1 và Hình 4.3 thông qua 5 thông số R2, MAE, RMSE, T_U và
DA của tập dữ liệu huấn luyện và tập dữ liệu kiểm chứng.
Có thể thấy rằng, sau khi được tăng cường, mô hình có xét
đến yếu tốt từ biến đạt kết quả tốt hơn ở tất cả các chỉ số
đánh giá.
a) - Bộ dữ liệu J Bảng 4.1. Kết quả độ chính xác của mô hình
Mô hình R2 MAE RMSE T_U DA
Không có J creep 0,867 0,016 0,00174 0,14 0,926
Có xét đến J creep 0,964 0,014 0,00048 0,076 0,922

b) - Bộ dữ liệu V
Hình 3.1: Mối tương quan của các đặc trưng trong 2 bộ dữ liệu

4. KẾT QUẢ VÀ THẢO LUẬN
Để đánh giá độ chính xác của mô hình, nhóm nghiên
cứu sử dụng 5 thông số khác nhau, lần lượt là R2, Mean
Absolute Error (MAE) và Root Mean Squared Error (RMSE),
T_U và DA với công thức như sau:

(4)
Hình 4.3: Biểu đồ sai số của mô hình
(5)

(6) 5. PHÂN TÍCH MÔ HÌNH VÀ ĐÁNH GIÁ TẦM QUAN
TRỌNG CỦA CÁC GIÁ TRỊ ĐẦU VÀO
(7) SHAP (SHapley Additive exPlanations) là một phương
pháp dựa trên lý thuyết trò chơi để giải thích kết quả của
bất kỳ mô hình học máy nào. Nó sử dụng giá trị Shapley,
với A = (8)
i một khái niệm từ lý thuyết trò chơi, để phân phối công
Trong khi mô hình XGBoost được thể hiện trong sơ đồ sau: bằng cho từng đặc tính trong mô hình. SHAP giúp xác định
mức độ tác động của từng đặc tính đối với dự đoán của mô
hình, cho phép người dùng hiểu rõ hơn về cách mô hình
hoạt động và quyết định của nó. Bằng cách cung cấp các
giá trị SHAP, ta có thể xác định các đặc tính quan trọng nhất
và những cách chúng ảnh hưởng đến kết quả cuối cùng.
Điều này không chỉ giúp cải thiện khả năng hiểu biết của
người dùng mà còn tăng tính minh bạch và đáng tin cậy
Hình 4.1: Mô hình XGBoost của các mô hình học máy. SHAP có thể áp dụng cho mọi
loại mô hình học máy, bao gồm cả các mô hình hỗ trợ cây,
mô hình hỗ trợ nhóm, mô hình học máy đa chiều và mô
hình học máy vận hành. Với sự hỗ trợ của các công cụ phần
mềm như Python, SHAP đã trở thành một công cụ mạnh
mẽ và phổ biến trong việc giải thích và hiểu biết các mô
hình học máy.
Hình 5.1 trình bày phân tích ảnh hưởng của các thông
số đến giá trị độ võng bằng phương pháp SHAP như sau.
Trong tất cả các yếu tố tham gia vào mô hình, chiều dài
nhịp có sự ảnh hưởng lớn nhất đến giá trị độ võng của dầm,
theo sau là tuổi thọ. Cường độ và giá trị từ biến cũng ảnh
hưởng đến độ võng theo thời gian mặc dù không nhiều
Hình 4.2: Mối quan hệ giữa giá trị dự báo và giá trị chính xác bằng hai giá trị trên.

56