两层分类器模型应用于个人信用评估
来源期刊：控制工程2019年第12期
论文作者：曹再辉 余东先 施进发 宗思生
文章页码：2231 - 2234
关键词：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。
曹再辉1，余东先2，施进发3，宗思生1
1. 郑州航空工业管理学院艺术设计学院2. 河南职业技术学院信息工程系3. 华北水利水电大学
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;
