作者：曹再辉; 余东先; 施进发; 宗思生集成学习机器学习stacking信用评估
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。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
