《表2 最终预测结果：基于集成学习的股票指数预测方法》
提示：宽带有限、当前游客访问压缩模式
最终经过加权投票分类后的预测精度为0.793，与4个基分类器的预测精度结果如表2所示。
| 图表编号 | XD0096185100 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.10.01 |
| 作者 | 孟叶、于忠清、周强 |
| 绘制单位 | 青岛大学数据科学与软件工程学院、青岛大学数据科学与软件工程学院、青岛大学数据科学与软件工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 模型参数设置：基于集成学习的广域光骨干网多信道传输质量预测方法》2020.09.25
- 《表2 评价指标权重表：基于集成学习的短期电价预测》2020.12.20
- 《表2 分类结果混淆矩阵：基于Stacking集成学习的流失用户预测方法》2020.11.30
- 《表3 分类结果比较：基于Stacking集成学习的流失用户预测方法》2020.11.30
- 《表1 用户基础属性分布：一种基于集成学习的用户基础属性预测方法》2020.12.01
- 《表2 基本统计特征：一种基于集成学习的用户基础属性预测方法》2020.12.01
- 《表3 基于不同词典构建的情绪指数对股票收益预测回归结果》2020.11.25
- 《表2 混淆矩阵：过采样与集成学习方法在软件缺陷预测中的对比研究》2020.06.01
- 《表2 实验结果数据表：基于新闻信息的股票指数预测》2020.02.01
- 《表6 实验结果：基于离散化和LSTM神经网络的股票指数趋势预测研究》2019.12.25
- 《表2 预测混淆矩阵：基于集成学习的束支传导阻滞识别方法》2020.03.01
- 《表7 逻辑回归训练结果：基于机器学习的股票超额收益预测模型》2019.09.20
- 《表9 决策树训练结果：基于机器学习的股票超额收益预测模型》2019.09.20
- 《表4 预测空间：基于机器学习的股票特征预测机构持股研究》2019.10.25
- 《表2 股票特征：基于机器学习的股票特征预测机构持股研究》2019.10.25
- 《表1 问卷问题：一种基于集成学习的指纹锁拉链产品需求预测方法》2019.07.25
- 《表3 预测结果比较：基于主成分分析和递归神经网络的短期股票指数预测》2019.09.20
- 《表2 基于传统神经网络集成学习的预测性能》2019.04.15
- 《表1 变量关系表：基于偏最小二乘方法的ARIMA模型在股票指数预测中的应用》2018.09.10
- 《表4 解释变差表：基于偏最小二乘方法的ARIMA模型在股票指数预测中的应用》2018.09.10