资料下载
×
基于遗传算法和随机森林的XGBoost改进方法
消耗积分:0 |
格式:rar |
大小:1.59 MB |
2021-04-26
分享资料个
回归预测是机器学习中重要的研究方向之一，有着广阔的应用领域。为了进一步提升回归预测的精度，提出了基于遗传算法与随机森林的 Gboost改进方法（ GA Xgboost_RF）。首先利用遗传算法（ Genetic Algorithm，GA）良好的搜索能力和灵活性，以交叉验证平均得分为目标函数值，对 Gboost算法和随机森林算法（Raηdoπ Forest，RF）的参数进行调优，选出较好的参数集，分别建立 GA Xgboost和GARF模型。然后对 GA Xgboost和GARF进行变权组合，利用训练集的预测值与真实值的均方误差为目标函数，使用遗传算法确定模型的权重。在UCⅠ数据集上进行了实验，结果表明，与 Xgboost， RandomForest， GA Xgboost，GARF算法相比，在大部分数据集上 Ga Xgboost RF方法的均方误差、绝对误差和拟合度均优于单模型，其中在拟合度方面所提方法在不同数据集上提高了约0.01%~2.1%，是一种有效的回归预测方法。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
