建筑与城市规划学院第39期博士生沙龙——“机器学习时代——规划研究要如何应用？”，于10月24日下午在南四N306展开并取得圆满成功！

本期对话以主分享人——博士生王书贤主讲、特邀嘉宾——袁满老师点评的方式进行，本期沙龙从机器学习的优势、深度学习的简介、深度学习在规划中的运用三个方面展开介绍。

王书贤博士首先从规划研究中常用的数学分析方法入手，循序渐进的引出近年来规划研究中使用较多的机器学习方法，其次对机器学习方法的原理进行简单介绍，最后通过两篇论文介绍了使用较多的梯度提升决策树（GBDT）及随机森林（RF）算法在规划研究中的应用方法。

Part1 规划研究中常用的分析方法

在规划定量分析中，我们常常使用回归分析的方法来探索变量之间是否存在关系，以及如果存在关系，它们之间是什么样的关系。其中，最常见的回归分析包括线性回归、逻辑回归和非线性回归。近年来，机器学习成为非线性回归中较为流行的算法之一，被各领域广泛运用。

Part2 机器学习入门

什么是机器学习？

专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

机器学习基本算法

模型：通过输入特征向量x，经过函数运算，输出预测值y

策略：通过损失函数计算预测值

算法：输出令损失函数最小的参数值w

机器学习的分类

监督学习：用于聚类分析

无监督学习：用于回归、分类分析

机器学习中集成学习算法

Boosting：梯度提升决策树

Bagging：随机森林

Stacking：有层次的融合模型

Part3 规划研究如何运用

选取规划研究中最常见的梯度提升决策树（GBDT）和随机森林（RF）作为介绍。

GBDT算法

优势：算法较传统数学运算准确，可以找出自变量对因变量的阈值效应，以及变量间的交互效应。

方法运用展望：规划研究用作回归分析较多

RF算法

优势：可以用来解决分类和回归问题，算法非常稳定，抗过拟合效果强，可以找出自变量对因变量的阈值效应。

方法运用展望：规划研究用作分类、预测研究较多

在嘉宾点评环节，袁满老师首先肯定了王书贤博士分享的主题与内容，认为这是一次精彩的报告，后结合自身体会分享了三方面观念。

目前机器学习更多的应用在计算机等特定学科领域，在规划研究方面应用时，要考虑机器学习的目标和应用问题是否一致？使用起来是否合适？注意怎样把需要机器学习解决的问题从研究中提取出来。

怎样将社会关注的空间要素和经济要素进行区分？在进行研究时，要注意将研究讲清楚，不是仅仅使用了新的分析方法，而是通过新方法解决了什么问题。

在研究过程中，学会跳出方法来看待问题，方法是工具而非研究重点，核心是专业方面的知识创新，是借助新方法提升对研究问题的认知。

在一系列的深入交流与探讨后，大家对机器学习及其在专业领域应用的理解更进一步。袁满老师与王书贤博士鼓励大家平时多进行学术方面的交流与思考，多动手多写文章，也希望同学们更加积极地参与到博士生沙龙的活动中来。