搜索到457篇“ BOOSTING算法“的相关文章
- 基于boosting算法的边缘云服务器利用率预测方法、预测装置及存储介质
- 本发明提供了一种基于boosting算法的边缘云服务器利用率预测方法、预测装置及存储介质，其中方法包括：S1基于boosting算法模型，获取被预测带宽利用率数据；S2建立最近数据专注机制，包括：计算各服务器实际带宽利用...
- 李星星黄少远王晓飞
- Stacking框架下Boosting算法融合模型量化投资策略设计及应用
- 2024年
- 金融市场瞬息万变,对于量化投资策略,需要及时地调整和优化.融合模型可以根据市场变化动态调整模型的权重和组合方式,实现自适应的调整和优化.基于此,本文尝试从融合模型的角度来设计量化投资策略.本文基于LightGBM、Adaboost、XGBoost三种不同的Boosting类算法构造了三个不同的融合两层Stacking模型,通过沪深300成分股上进行选股回测实证分析来对比择优来得到最合适的基学习模型和次级模型最佳的融合效果.实证结果表明,三种不同的融合模型在股票市场的预测表现均优于单一算法模型,其中表现最为优异的是基学习器为XGBoost和LightGBM算法,AdaBoost算法作为次级学习器的融合模型.在持仓数量为20只时,平均年化收益为13.57%,夏普比率为1.23,最大回撤为0.48.此外该回测结果表明,融合模型在市场波动性较大时有更好的适应性和有效性.本研究能够为投资者提供一种新的投资思路,也对如何推动融合模型在金融实践中运用具备一定的启示意义.
- 陈创练邹湘妮
- 关键词：BOOSTING算法
- 基于K-Means聚类和Boosting算法的配电网线损计算方法
- 2024年
- 传统线损计算方法所需电气参数较多且计算过程烦琐,导致配电网线损计算结果精度较低,因此提出了一种基于K-Means聚类和Boosting算法的配电网线损计算方法。先采用K-Means聚类算法挖掘配电网的线路负荷有功电量、线路负荷无功电量、线路长度及线路负载率等电气特征指标,再将电气特征指标作为Boosting算法线损预测模型的输入数据,经过模型训练完成配电网线损的预测计算。实验结果表明,该设计方法的线损计算值与真实值之间的误差仅为4.27%,具有较高的配电网线损计算精度。
- 马芳张晨晖
- 关键词：K-MEANS聚类BOOSTING算法配电网线损线损计算
- 基于Boosting算法的lncRNA-疾病关联预测研究
- 长非编码RNA(lncRNA)与许多生物过程密切相关,其突变和紊乱可能导致诸多疾病。lncRNA-疾病关联预测有助于理解各种复杂疾病的潜在发病机制,促进疾病的诊断和治疗。尽管实验技术已经发现了大量的lncRNA-疾病关联...
- 黄亮亮
- 基于改进Boosting算法的车险理赔额组合模型预测
- 2024年
- 针对车险理赔额预测中单一机器学习方法存在的问题,提出一种基于Optuna调参后的XGBoost(eXtreme Gradient Boosting)-LightGBM(Light Gradient Boosting Machine)组合模型预测方法。首先,分别构建XGBoost与LightGBM单个模型,并使用Optuna框架对模型参数进行优化;其次,将2个优化后的模型预测结果进行加权融合;最后,采用法国第三方责任险的车险保单数对融合模型进行验证。结果表明,与单一的XGBoost和LightGBM模型相比,经过参数优化后的组合模型在预测车险理赔额时展现出更低的均方根误差,从而证明其更高的预测精度。
- 邢铭轩赵锦艳
- 关键词：BOOSTING算法
- 一种快速Boosting算法在标准图片识别中的应用
- 2024年
- 随着各种职业资格考试参加人数逐渐扩大,在大量照片文件中自动提取和识别标准证件照成为迫切需要解决的问题。针对这一问题比较了Haar特征和LBP特征两种特征识别模型在Adaboost算法下的时间效率,并通过实验确定了LBP特征下的Adaboost算法在样本训练过程中所需的最优参数,提出了一种利用LBP特征在普通个人电脑平台下进行快速分类器训练的算法,并利用训练后得到的分类器实现了从大量考生上传照片中标准证件照图片的分类和处理。
- 尹静盛彦斌孟欣智婷陈晓婷刘栋材
- 关键词：LBP
- 基于Boosting算法的细胞通讯预测研究
- 细胞通讯显著影响肿瘤进展、转移以及对治疗的抵抗性。细胞通讯一般由配体-受体相互作用所介导。细胞通讯预测主要包括配体-受体相互作用数据获取和细胞通讯强度推断。当前高通量实验方法筛选配体-受体相互作用数据耗时、费力且昂贵,细...
- 熊伟
- 关键词：BOOSTING算法细胞通讯
- 基于Boosting算法和Saxformer框架的多维时间序列异常检测方法
- 本发明提供一种基于Boosting算法和Saxformer框架的多维时间序列异常检测方法，包括：获取多维时间序列训练集，所述多维时间序列训练集包括M个传感器在N个时刻采集到的感应数值；基于多维时间序列训练集，训练得到时间...
- 李丹菁宋颖
- 基于特征选择结合Boosting算法模型在预测矿工非致命性职业伤害严重等级中的适用性被引量：2
- 2023年
- [背景]职业伤害影响因素的识别分析是特征选择的重要研究内容,随着机器学习算法兴起,特征选择结合Boosting算法模型构建可为职业伤害预测分析中提供新的分析思路。[目的]探讨基于Boosting算法模型在预测矿工非致命性职业伤害严重等级中的适用性,为科学合理地预测矿工非致命性职业伤害严重等级提供依据。[方法]应用美国矿山安全与健康管理局(MSHA)2001—2021年金属矿工非致命性职业伤害的公开数据,以损失工作日天数<105 d为轻伤、≥105 d为重伤作为结局变量。通过最小绝对收缩与选择算子算法(Lasso)回归、逐步回归、单因素+Lasso回归、单因素+逐步回归4种特征选择方法分别筛选出4个不同特征集。选择基于Boosting思想的梯度提升决策树(GBDT)和极端梯度提升算法(XGBoost)两种模型,应用4个特征集分别训练logistic回归、GBDT、XGBoost三种模型,共形成12种矿工非致命性职业伤害严重等级预测模型,以获取预测模型的曲线下面积(AUC)、灵敏度、特异度、约登指数为主要评价指标。[结果]根据4种不同特征选择方法,年龄、事故发生时间、总工龄、伤害发生原因、伤害发生活动、受伤部位、伤害性质、伤害结局8个特征是影响矿工非致命性职业伤害严重等级的主要影响因素。单因素+逐步回归筛选的特征集4为最优特征集并且其构建的GBDT模型对非致命性职业伤害严重等级预测效能最佳,特异度、灵敏度、约登指数分别为0.7530、0.9490、0.7020。特征集4构建logistic回归、GBDT、XGBoost预测模型的AUC值分别为0.8526(95%CI:0.8387~0.8750)、0.8640(95%CI:0.8474~0.8806)、0.8603(95%CI:0.8439~0.8773),均比逐步回归筛选的特征集2所构建的预测模型AUC值[0.8487(95%CI:0.8203~0.8669)、0.8110(95%CI:0.8012~0.8344)、0.8439(95%CI:0.8245~0.8561)]高,并且特征集4构建GBDT、XGBoost均比logistic回归预测模型AUC值高。[结论]两种特征选择
- 莫有桦徐婷孟诗迪朱晓俊樊晶光
- 关键词：BOOSTING算法
- 基于Boosting算法的C5.0决策树不平衡数据分类算法被引量：3
- 2023年
- 为了改进不平衡数据的分类性能,提出一种可自动确定迭代参数trail值的集成C5.0决策树算法.首先,算法引入boosting集成框架到C5.0决策树算法中,从而生成新的集成分类器;其次,算法使用网格搜索法在一定范围内自动确定trail参数的值.实验结果表明,该算法在不平衡数据上的分类性能指标G-mean和MCC上具有优势.
- 王植张珏
