期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于四大集成学习的岩爆烈度分级预测 被引量：6
1
作者 谭文侃 胡南燕 +3 位作者 叶义成 吴孟龙 黄兆云 王先华 《岩石力学与工程学报》 EI CAS CSCD 北大核心 2022年第S02期3250-3259,共10页
为准确预测岩爆灾害,将Boosting,Bagging,Stacking,Voting四大集成学习运用到岩爆灾害预测中,比较普通机器学习算法、Boosting与Bagging预测性能,提出一种Stacking与Voting的基模型选取方法。首先,搜集275组国内外岩爆案例构建原始岩爆... 为准确预测岩爆灾害,将Boosting,Bagging,Stacking,Voting四大集成学习运用到岩爆灾害预测中,比较普通机器学习算法、Boosting与Bagging预测性能,提出一种Stacking与Voting的基模型选取方法。首先,搜集275组国内外岩爆案例构建原始岩爆数据集,通过对原始岩爆数据集中不同岩爆等级的统计参数进行分析,以及使用TSNE(t-distributed Stochastic Neighbor Embedding)算法将原始岩爆数据集进行降维可视化分析,可知原始岩爆数据集中存在大量离群点并且数据不平衡。其次,先后使用Yeo-Johnson变换与K-means SMOTE过采样将数据正态化与平衡化,分别减少离群点以及数据不平衡的影响。正态化并且平衡化后岩爆数据可分性增强。然后,对包含普通机器学习,集成Boosting,集成Bagging的15种机器学习算法进行训练预测,通过宏平均的精确率以及Friedman统计假设检验比较各类模型的预测性能。最后,提出一种多样性与精确率权重融合的Stacking与Voting岩爆烈度分级预测方法。使用穷举法依次剔除精确率不高或者预测结果相似性高的模型,从一般机器学习算法,集成Boosting,集成Bagging保留精确率高、预测结果尽可能不同的模型作为Stacking或者Voting的基模型。结果表明:Boosting,Bagging,Stacking,Voting其预测性能大多比普通机器学习性能好。多样性与精确率权重融合的Stacking与Voting岩爆烈度分级预测方法能有效提高岩爆预测性能。 展开更多
关键词 岩石力学 集成学习 TSNE降维可视化 数据正态化与平衡化 多样性与精确率权重融合 岩爆烈度分级预测
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部