《表3 分类结果比较：基于Stacking集成学习的流失用户预测方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于Stacking集成学习的流失用户预测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

表3给出了各个分类模型的得分.其中经典Stacking集成方法在测试集中的得分比其最好的基分类器在F1度量上差0.3%，可见集成后分类效果没有提升，造成这种情况的一种可能是：基分类在训练集中对某些相同的样本均分类错误，使元分类器在错误的数据中训练，从而导致最后样本的分类错误.实验结果表明，BS-Stacking具有较高的分类准确率及流失用户的F1值得分.在基分类器中，Logistic Regression、SVC和Ada Boost具有相近的得分，其中得分最高的为Logistic Regression.BS-Stacking与Logistic Regression相比，F1值提高0.8%，准确率提高0.2%；与经典Stacking相比，F1值提高1.1%，准确率提高0.4%；与LSTM相比，F1值提高0.5%，准确率提高0.4%.BS-Stacking具有最高的准确率、查准率和F1值，具有最高召回率的是Native Bayes模型和K-Means模型，但是这两个模型的查准率远低于其他模型.