基于机器学习和夏普利加法解释（SHAP）模型的饲料原料价格可解释预测

作者：吴展; 王春晓^*

来源：饲料研究, 2023, 46(23): 178-181.

DOI：10.13557/j.cnki.issn1002-2813.2023.23.034

• 机器学习
• SHAP模型
• 贝叶斯优化
• 可解释预测
• 饲料原料价格

文章旨在评估机器学习模型的性能，提出一种饲料原料价格可解释预测的框架。选取豆粕为饲料产品原材料的代表品种，基于2006年1月至2023年4月的豆粕期货月度结算价数据，采用反向传播(BP)神经网络、梯度提升决策树(GBDT)和极限梯度提升(XGBoost)等3种机器学习算法进行训练测试，使用贝叶斯优化算法调整各模型参数，选择性能最优模型结合SHAP模型解析预测结果。结果显示，贝叶斯优化的极限梯度提升算法(BO-XGBoost)模型的预测性能显著优于其他基准模型，其测试集的平均绝对百分比误差(MAPE)和决定系数(R2)分别为0.03和0.892，模型精度较高；滞后一期豆油期货结算价对豆粕价格具有显著正向影响。研究表明，该模型具有良好的应用前景，可为饲料相关企业管理者决策和有关部门制定政策提供一定参考。

• 单位
  上海海洋大学; 经济管理学院