文献类型：期刊文章

作　　者：曹再辉[1] 余东先[2] 施进发[3] 宗思生[1]

CAO Zai-hui;YU Dong-xian;SHI Jin-fa;ZONG Si-sheng(School of Art and Design,Zhengzhou University of Aeronautics,Zhengzhou 450015,China;College of Computer,Zhengzhou Polytechnic,Zhengzhou 450046,China;North China University of Water Resources and Electric Power,Zhengzhou 450046,China)

机构地区：[1]郑州航空工业管理学院艺术设计学院,河南郑州450015 [2]河南职业技术学院信息工程系,河南郑州450046 [3]华北水利水电大学,河南郑州450046

出　　处：《控制工程》

基　　金：国家自然科学基金项目(71371172);河南省高等学校重点科研项目(18A520051)

年　　份：2019

卷　　号：36

期　　号：12

起止页码：2231-2234

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、JST、ZGKJHX、核心刊

摘　　要：针对不同的具体问题,传统机器学习算法的预测精度往往存在差异,而集成学习能够综合若干基分类器的预测结果,可以使得分类效果显著提升。首先,简单的介绍了集成学习的基本思想,并分析了Stacking集成算法相对于传统经典集成算法的优势;其次,基于Stacking集成框架,运用UCI的信用评估数据集,构建两层分类器学习模型用以评估个人信用;最后,将提出的模型方法用于实证分析,实验表明相对于SVM、RF、ANN、GBDT这些单一学习方法,以及对这些单一学习方法的结果进行简单的平均集成,两层分类器的Stacking集成学习的预测效果更优。

关 键 词：集成学习  机器学习  STACKING 信用评估

分 类 号：TP391]