《表7 融合方法对模型效果的影响》

  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

《基于网络表示学习的科研合作推荐研究》

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

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。