可以看到，经过超参数寻优后确定的模型，相比较未寻优的模型，Mae降低了约10%，也就是说模型的预测精度上升了10%，这个改善幅度，对于超参数寻优来说，已经是一个不错的幅度了。
但对于这个寻优的过程来说，是需要花费一定的时间成本的，例如我们的这个寻优，相比原始的模型，花费了原始模型约10倍左右的时间，从1s不到到12s。这也说明了机器学习是一种“权衡游戏”，我们需要不断地平衡准确性与可解释性、偏差与方差、准确性与运行时间等表现。正确的组合是因问题而异的。
现在，我们已经有了最终超参调优后的模型，就可以使用该模型，来评估他们与真实值的偏差了，我们对于测试集，绘制预测值与实际值的密度图对比，以及预测值减去实际值所得到的残差hist图，来对模型的预测效果进行可视化的展示。
我们来分析一下这个可视化的结果：虽然模型预测值的密度峰值接近中值在66附近，而非真实值的100左右密度峰值，但模型预测值密度分布大致接近实际值密度分布。而模型预测值与真实值的残差分布，也是符合正态分布的。
最后，这个结果说明了，我们构建的梯度提升回归机器学习模型，能够较为准确的预测样本外的建筑物能源之星得分，达到了我们最初预测目标变量的这一实际目的。
那么，我们这个系列的文章（上篇、下篇）到这里全部结束了，感谢耐心读完长文的粉丝，技术宅真诚的希望，通过自己的文字，让你有所收获有所得。
关注 “数量技术宅”不迷路，您的点赞、转发，是我输出干货，最大的动力
一个真实数据集的完整机器学习解决方案（上）
如何使用交易开拓者（TB）开发数字货币策略
股指期货高频数据机器学习预测
如何使用TradingView（TV）回测数字货币交易策略
如何投资股票型基金？什么时间买？买什么？
【数量技术宅|量化投资策略系列分享】基于指数移动平均的股指期货交易策略
AMA指标原作者Perry Kaufman 100+套交易策略源码分享
【 数量技术宅 | 期权系列分享】期权策略的“独孤九剑”
【数量技术宅|金融数据系列分享】套利策略的价差序列计算，恐怕没有你想的那么简单
【数量技术宅|量化投资策略系列分享】成熟交易者期货持仓跟随策略
如何获取免费的数字货币历史数据
【数量技术宅|量化投资策略系列分享】多周期共振交易策略
【数量技术宅|金融数据分析系列分享】为什么中证500（IC）是最适合长期做多的指数
商品现货数据不好拿？商品季节性难跟踪？一键解决没烦恼的Python爬虫分享
【数量技术宅|金融数据分析系列分享】如何正确抄底商品期货、大宗商品
【数量技术宅|量化投资策略系列分享】股指期货IF分钟波动率统计策略
【数量技术宅 | Python爬虫系列分享】实时监控股市重大公告的Python爬虫