《表7 融合方法对模型效果的影响》
采用模型融合技术一般可以提高机器学习任务的准确率,常见的模型融合方法包括加权平均、bagging以及boosting等。bagging方法在训练集中进行子抽样,组成每个基础模型所需要的子训练集,根据每一个模型对预测结果进行投票,每一个模型投票的权重相同。对所有基础模型的预测结果进行综合产生最后的预测结果。boosting方法实现原理是迭代地训练基线模型,每次根据上一个迭代中预测错误的情况修改训练样本的权重,其本质是集合了多个决策树,每棵树是顺序生成,依赖于前一棵树。为了探究模型融合方法对模型效果的影响,本文选取了加权平均、bagging和boosting方法(以Adaboost为boosting方法的代表)进行评估。由于本文基础实验中选择的分类器为逻辑回归模型(LR),为了更好地对比融合模型的效果,bagging和boosting方法中的弱分类学习器仍采用LR模型,其余框架参数均采用sklearn封装算法的默认参数,实验结果如表7所示。
图表编号 | XD0055811700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.24 |
作者 | 余传明、林奥琛、钟韵辞、安璐 |
绘制单位 | 中南财经政法大学信息与安全工程学院、中南财经政法大学信息与安全工程学院、中南财经政法大学信息与安全工程学院、武汉大学信息管理学院 |
更多格式 | 高清、无水印(增值服务) |