回归预测模型
前言
本文基于 Kaggle平台——洪水数据集的回归预测（文末附数据集），引见一种基于CNN-LSTM网络的回归预测模型。
以下是数据集中各列的形容（包含配置称号的含意）：
MonsoonIntensity（季风强度）：这一特色或者权衡该地域季风降雨的强度和频率，较高的值示意降雨强度更大，或者更频繁，这或者会造成更高的洪水危险。
TopographyDrainage（地形排水）：反映地形的自然排水才干。更好的排水才干（或者由更高的分数示意）或者标明，因为人口浓密或主要地域的水流更好，洪水危险更低。
RiverManagement（河流控制）：评价河流在防洪方面的控制状况，包含河岸、大坝和其余基础设备的保养。更高的分数或者象征着更好的控制，有或者降落洪水危险。
Deforestation（森林砍伐）：权衡影响土壤稳固性和吸水性的森林砍伐率或水平。更高的森林砍伐分数或者标明森林笼罩的损失更大，更容易遭到洪水的影响。
Urbanization（市区化）：示意市区开展水平，因为不透水外表的参与，通常会降落土地排汇降雨的自然才干。市区化水平的提高或者与洪水危险的参与无关。
ClimateChange（气象变动）： 评价气象变动的影响，如降雨量参与或海平面回升，这或者会加剧洪水。得分越高或者示意更容易遭到这些变动的影响。
DamsQuality（水坝品质）： 钻研大坝在防洪中的状况和有效性。大坝品质差或保养不善或者造成更高的洪水危险。
Siltation（淤积）： 测量水体中淤泥沉积的水平，这会降落其控制水流的才干，参与洪水危险。
AgriculturalPractices （农业通常）： 评价农业优惠对洪水危险的影响，思考灌溉方法和土地经常使用等或者影响径流和土壤腐蚀的起因。
Encroachments（侵扰）： 对人类入侵洪水易发地域的水平启动评分，这或者会加剧洪水的重大性。
IneffectiveDisasterPreparedness（有效的劫难预备）： 反映了备灾方案及其实施的无余。得分越高或者标明预备上班越差，潜在的破坏和洪水复原期间越长。
DrainageSystems（排水系统）： 评价市区和乡村地域排水系统处置强降雨和水流的效率和容量。
CoastalVulnerability（海岸软弱性）： 评价沿海地域因风暴潮、海平面回升和气旋优惠等起因而出现洪水的危险。
Landslides（滑坡）： 示意山体滑坡的危险和历史，当这些自然大坝决堤时，山体滑坡会梗塞河流，并在下游形成突发洪水。
Watersheds（流域）： 评价流域的肥壮和控制，流域在控制水资源和减轻洪水危险方面施展着主要作用。
DeterioratingInfrastructure（始终好转的基础设备）： 检查与洪水控制关系的基础设备的总体状况，如上水道、桥梁和路线。好转会阻碍有效的洪水应答。
PopulationScore（人口得分）： 测量洪水易发地域的人口密度或增长，这或者会影响洪水对人类社区的影响。
WetlandLoss（湿地散失）： 量化湿地的缩小，湿地经过排汇洪水起到自然缓冲作用。
InadequatePlanning（方案无余）： 评价区域和市区布局在多大水平上整合了洪水危险控制，包含分区和土地利用政策。
PoliticalFactors（政治起因）： 思考政治决策、控制和政策实施如何影响洪水控制通常。
FloodProbability（洪水概率）： 该结果变量基于上述起因预测洪水的或者性，或者示意为0到1之间的概率。
1 数据预处置
2 基于CNN-LSTM的回归预测模型
2.1定义CNN-LSTM网络模型
2.2设置参数，训练模型
50个epoch，MSE 极小，CNN-LSTM回归预测模型预测成果清楚，模型能够充沛提取数据特色，收敛速度快，性能优越，预测精度高，适当调整模型参数，还可以进一步提高模型预测体现。
留意调整参数：
3 结果可视化和预测、模型评价
3.1 预测结果可视化
3.2 模型评价
