文献类型：期刊文章

作　　者：左胜勇[1] 冯立超[1] 陈学斌[1] 张春艳[1]

ZUO Sheng-yong;FENG Li-chao;CHEN Xue-bin;ZHANG Chun-yan(Hebei Key Laboratory of Data Science and Application,School of Science,North China University of Science and Technology,Tangshan 063210,China)

机构地区：[1]华北理工大学理学院河北省数据科学与应用重点实验室,河北唐山063210

出　　处：《计算机技术与发展》

基　　金：国家自然科学基金区域创新发展联合基金项目(U20A20179)。

年　　份：2024

卷　　号：34

期　　号：9

起止页码：159-166

语　　种：中文

收录情况：JST、RCCSE、ZGKJHX、普通刊

摘　　要：Stacking集成学习被认为是一种“黑盒”模型,采用多个基学习器的预测结果输入,通过元学习器来生成最终的预测。这种复杂性使得难以准确了解每个基学习器对最终结果的贡献。为解决此问题,该文提出了RTOPSIS方法。该方法结合了灰色关联度系数计算和优劣解距离方法,为决策者提供了一种有效的工具,以清晰地揭示每个基学习器在Stacking模型中对最终结果的贡献程度。具体而言:采用RTOPSIS算法替代传统的判别方法,综合考虑基学习器和元学习器之间的关系,提供更客观和合理的模型排名结果;应用灰色关联分析算法计算各个基学习器在Stacking模型中的权重,并反映其对最终结果的贡献程度。实验证明,相对于单一指标如Accuracy、AUC和F1-score等,在Stacking模型综合评价中,RTOPSIS算法为该文6个模型提供了更为合适的排名,且与经典优劣解距离算法的排序结果基本一致。因此,RTOPSIS算法在Stacking模型评价中展现出更全面的评价效果。

关 键 词：优劣解距离  灰色关联度  权重  Stacking模型  综合评价

分 类 号：TP301.6]