01
课程导论
为什么环境预测需要集成学习？课程目标与学习路径。
导论学习路径
02
环境数据特征工程
缺失值处理、异常值检测、时间序列特征构建。
特征工程时间序列
03
基础模型回顾
线性回归、决策树、支持向量机在环境预测中的应用。
线性回归决策树SVM
04
Bagging原理
Bootstrap采样、降低方差、随机森林的核心思想。
Bagging随机森林
05
随机森林实战
使用Scikit-learn构建空气质量预测模型。
随机森林空气质量
06
Boosting原理
AdaBoost、梯度提升、XGBoost的核心机制。
BoostingXGBoost
07
XGBoost调参
学习率、树深度、正则化参数对预测精度的影响。
调参正则化
08
LightGBM与CatBoost
高效梯度提升框架的对比与选择。
LightGBMCatBoost
09
Stacking集成
元学习器设计、基模型选择与交叉验证策略。
Stacking元学习
10
Blending集成
简化版Stacking，Hold-out验证集的使用。
BlendingHold-out
11
投票与平均集成
硬投票、软投票、加权平均的适用场景。
投票加权平均
12
特征重要性分析
基于树模型的特征选择与可视化。
特征重要性可视化
13
超参数优化
网格搜索、随机搜索、贝叶斯优化实战。
超参数贝叶斯优化
14
交叉验证策略
时间序列交叉验证、K-fold、留一法。
交叉验证时间序列
15
模型评估指标
RMSE、MAE、R²、MAPE在环境预测中的解读。
评估指标RMSE
16
过拟合与欠拟合
诊断方法、正则化、早停策略。
过拟合早停
17
数据不平衡处理
SMOTE、代价敏感学习在极端事件预测中的应用。
SMOTE不平衡
18
多模型融合实战
结合CNN与LSTM进行时空预测。
CNNLSTM时空
19
模型解释性
SHAP值、LIME、部分依赖图的使用。
SHAPLIME
20
不确定性量化
置信区间、预测区间、贝叶斯集成。
不确定性贝叶斯
21
在线学习与模型更新
流式数据处理、增量集成学习。
在线学习增量
22
分布式集成学习
Spark MLlib、Dask在大规模环境数据上的应用。
SparkDask
23
案例实战1：PM2.5预测
城市PM2.5浓度预测（基于随机森林与XGBoost）。
PM2.5实战
24
案例实战2：水质异常检测
河流水质异常检测（基于孤立森林与集成异常检测）。
水质异常检测
25
案例实战3：气温趋势预测
全球气温变化趋势预测（基于Stacking集成）。
气温Stacking
26
案例实战4：土壤重金属风险
土壤重金属污染风险评估（基于Boosting集成）。
土壤Boosting
27
模型部署
Flask API封装、ONNX模型转换、Docker容器化。
FlaskONNXDocker
28
模型监控
数据漂移检测、概念漂移检测、模型重训练触发机制。
监控漂移检测
29
前沿趋势
AutoML、联邦学习、图神经网络在环境预测中的潜力。
AutoML联邦学习GNN
30
课程总结
集成学习最佳实践、常见陷阱与未来学习路径。
总结最佳实践