《表3 不同结构Stacking模型分类性能》

  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

《基于集成学习的航空发动机故障诊断方法》

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

设置Stacking模型第1层的4个基模型，选择不同模型作为第2层元模型进行对比，可得不同结构的Stacking模型性能，如表3所示。对比表2、表3可知:相比性能最好的基模型RF，Stacking第2层选择LR或SVM两种线性模型时，模型整体性能有较明显提升；选择RBF-SVM或NN时，整体性能基本保持不变；选择RF或GBDT时，整体性能有较明显下降。说明Stacking第2层选择RF、GBDT等较为复杂的模型时，容易引发过拟合，降低集成模型整体性能。综合上述分析，Stacking第2层应选择结构较简单的模型。仿真实验结果显示，第2层模型选择LR时整体性能最高，此时Stacking模型的精确率为0.93，召回率为0.92。