【摘要】：在大數(shù)據(jù)時(shí)代,如何利用好數(shù)據(jù)潛在信息價(jià)值,成為商業(yè)巨頭能否實(shí)現(xiàn)經(jīng)濟(jì)飛速發(fā)展的重要因素。準(zhǔn)確的目標(biāo)預(yù)測(cè),對(duì)于國(guó)民經(jīng)濟(jì)的發(fā)展具有不可估量的意義。在商業(yè)、經(jīng)濟(jì)和其他領(lǐng)域中,預(yù)測(cè)分析日益依賴于數(shù)據(jù)挖掘建模、統(tǒng)計(jì)、分析得出。隨著互聯(lián)網(wǎng)金融進(jìn)程的推進(jìn),目標(biāo)預(yù)測(cè)問題已成為具有現(xiàn)實(shí)意義的課題。多目標(biāo)回歸預(yù)測(cè)作為數(shù)據(jù)挖掘"年輕"的新興領(lǐng)域,它與多標(biāo)簽分類學(xué)習(xí)緊密相關(guān)�，F(xiàn)階段,分類學(xué)習(xí)發(fā)展更成熟、更廣泛。多標(biāo)簽分類學(xué)習(xí)的最新研究成果激發(fā)了我們能否將其成功地應(yīng)用于多目標(biāo)回歸領(lǐng)域的探索。事實(shí)上,多目標(biāo)預(yù)測(cè)已經(jīng)出現(xiàn)在很多領(lǐng)域,如預(yù)測(cè)車輛部件的風(fēng)噪、股票預(yù)測(cè)和生態(tài)模型等。預(yù)測(cè)問題通常涉及到相同的輸入變量同時(shí)預(yù)測(cè)多個(gè)目標(biāo)變量。當(dāng)目標(biāo)變量為二進(jìn)制時(shí),預(yù)測(cè)任務(wù)被稱為多標(biāo)簽分類;當(dāng)目標(biāo)變量為實(shí)值時(shí),預(yù)測(cè)任務(wù)稱為多目標(biāo)預(yù)測(cè)。在本文,我們提出了兩種新的多目標(biāo)回歸方法:多目標(biāo)堆疊(Multi-Target Stacking)和集成回歸鏈(Ensemble of Regressor Chains)。靈感來自兩種流行的多標(biāo)簽分類方法。MTS和ERC在第一階段的訓(xùn)練,都將采用基于回歸樹AdaBoost算法(ART)建立的單目標(biāo)預(yù)測(cè)(Single-Target Regression)模型作為基準(zhǔn)方法;在第二階段的訓(xùn)練,MTS和ERC都通過額外加入第一階段的目標(biāo)預(yù)測(cè)值作為輸入變量來擴(kuò)展第二階段的輸入變量空間,以此建立多目標(biāo)預(yù)測(cè)模型。兩種方法利用目標(biāo)變量之間的關(guān)系,不同的是,ERC除了考慮目標(biāo)的依賴性關(guān)系還考慮了目標(biāo)的順序問題。此外,我們總結(jié)了 MTS和ERC兩種方法的缺點(diǎn),并且對(duì)算法進(jìn)行修改,提出了相應(yīng)的改進(jìn)版本 MTS Corrected(MTSC)和 ERC Corrected(ERCC)。本文另一個(gè)重要的貢獻(xiàn)是提供真實(shí)世界存在的12個(gè)不同領(lǐng)域的數(shù)據(jù)。實(shí)驗(yàn)中六種方法的對(duì)比是根據(jù)12個(gè)大量且多樣化的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)評(píng)估,實(shí)驗(yàn)結(jié)果表明,修改后的回歸鏈ERCC算法在多目標(biāo)預(yù)測(cè)問題中表現(xiàn)最好,其性能明顯優(yōu)于單目標(biāo)預(yù)測(cè)ART和最先進(jìn)的多目標(biāo)隨機(jī)森林(MORF),也好于本文中提出的其他方法MTS、MTSC、ERC。除此之外,結(jié)果也表明,修改版本MTSC和ERCC使MTS和ERC性能得到顯著提高。
[Abstract]:In big data's time, how to make good use of the potential information value of data has become an important factor whether the business giant can realize the rapid economic development. Accurate target prediction is of inestimable significance to the development of national economy. In commercial, economic and other fields, predictive analysis is increasingly dependent on data mining modeling, statistics, and analysis. With the development of Internet finance, target prediction has become a practical topic. As a new field of data mining, multi-objective regression prediction is closely related to multi-label classification learning. At present, classified learning is more mature and more extensive. The latest research results of multi-label classification learning have inspired us to apply it successfully in the field of multi-objective regression. In fact, multi-objective prediction has been used in many fields, such as wind noise prediction of vehicle components, stock forecasting and ecological models. The prediction problem usually involves the same input variables and multiple target variables. When the target variable is binary, the prediction task is called multi-label classification, and when the target variable is real, the prediction task is called multi-objective prediction. In this paper, we propose two new multiobjective regression methods: multiobjective stacking (Multi-Target Stacking) and integrated regression chain (Ensemble of Regressor Chains). The inspiration comes from two popular multi-label classification methods. In the first stage of MTS and ERC training, the single objective prediction (Single-Target Regression) model based on the regression tree AdaBoost algorithm (ART) will be used as the benchmark method. In the second stage of training, both MTS and ERC extend the input variable space of the second stage by adding the target prediction value of the first stage as input variables, so as to establish a multi-objective prediction model. The two methods take advantage of the relationship between the target variables, except that ERC considers the order of the target in addition to the dependency of the target. In addition, we summarize the shortcomings of MTS and ERC, modify the algorithm and propose the corresponding improved versions of MTS Corrected (MTSC) and ERC Corrected (ERCC). Another important contribution of this paper is to provide data on 12 different realms of the real world. The experimental results show that the modified regression chain ERCC algorithm performs best in the multi-objective prediction problem. Its performance is obviously superior to that of single objective prediction ART and the most advanced multiobjective random forest (MORF), and also better than the other methods proposed in this paper, MTS,MTSC,ERC.. In addition, the results also show that the modified versions of MTSC and ERCC significantly improve the performance of MTS and ERC.
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馬勇,丁曉青;Real-Time Multi-View Face Detection and Pose Estimation Based on Cost-Sensitive AdaBoost[J];Tsinghua Science and Technology;2005年02期

2 林志陽;康耀紅;雷景生;;基于Adaboost的車標(biāo)定位方法[J];計(jì)算機(jī)工程;2008年11期

3 張磊;;基于AdaBoost的側(cè)面人臉、人耳檢測(cè)[J];科學(xué)大眾;2008年08期

4 付忠良;;關(guān)于AdaBoost有效性的分析[J];計(jì)算機(jī)研究與發(fā)展;2008年10期

5 張崗?fù)?楊全;;兩種Adaboost方法在人臉檢測(cè)中的比較研究[J];微計(jì)算機(jī)信息;2009年24期

6 嚴(yán)超;王元慶;李久雪;張兆揚(yáng);;AdaBoost分類問題的理論推導(dǎo)[J];東南大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年04期

7 李印;;基于AdaBoost的行人檢測(cè)研究與實(shí)現(xiàn)[J];數(shù)字技術(shù)與應(yīng)用;2012年03期

8 蘇加強(qiáng);丁柳云;;基于R的監(jiān)督式AdaBoost異常值檢測(cè)應(yīng)用[J];淮海工學(xué)院學(xué)報(bào)(自然科學(xué)版);2013年01期

9 張志勛;張磊;楊凡;;一種改進(jìn)的Adaboost人臉檢測(cè)方法[J];自動(dòng)化與儀器儀表;2013年06期

10 王海川,張立明;一種新的Adaboost快速訓(xùn)練算法[J];復(fù)旦學(xué)報(bào)(自然科學(xué)版);2004年01期

相關(guān)會(huì)議論文 前10條

1 Wen Feng;;A Novel Lips Detection Method Combined Adaboost Algorithm and Camshift Algorithm[A];2012年計(jì)算機(jī)應(yīng)用與系統(tǒng)建模國(guó)際會(huì)議論文集[C];2012年

2 張超;苗振江;;基于AdaBoost的面部信息感知[A];第十三屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2007）論文集[C];2007年

3 郭翌;汪源源;;基于Adaboost算法的頸動(dòng)脈粥樣硬化判別方法[A];中國(guó)儀器儀表學(xué)會(huì)第十一屆青年學(xué)術(shù)會(huì)議論文集[C];2009年

4 張紅梅;高海華;王行愚;;抑制樣本噪聲的AdaBoost算法及其在入侵檢測(cè)中的應(yīng)用[A];2007年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2007年

5 陸文聰;鈕冰;金雨歡;;基于AdaBoost算法的亞細(xì)胞位置預(yù)測(cè)[A];中國(guó)化學(xué)會(huì)第26屆學(xué)術(shù)年會(huì)化學(xué)信息學(xué)與化學(xué)計(jì)量學(xué)分會(huì)場(chǎng)論文集[C];2008年

6 陳宏偉;劉建偉;費(fèi)向東;;一種半監(jiān)督環(huán)境下的Adaboost算法[A];2008'中國(guó)信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（二）[C];2008年

7 唐曉丹;苗振江;;基于AdaBoost和粒子濾波的目標(biāo)跟蹤[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

8 張彬;金連文;;基于AdaBoost的手寫體漢字相似字符識(shí)別[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

9 ;Using Skin Color and HAD-AdaBoost Algorithm for Face Detection in Color Images[A];Information Technology and Computer Science—Proceedings of 2012 National Conference on Information Technology and Computer Science[C];2012年

10 肖磊;李麗;肖佳文;;基于AdaBoost-SVM的上市公司信用風(fēng)險(xiǎn)評(píng)估[A];2012管理創(chuàng)新、智能科技與經(jīng)濟(jì)發(fā)展研討會(huì)論文集[C];2012年

相關(guān)博士學(xué)位論文 前5條

1 佟旭;基于復(fù)雜網(wǎng)絡(luò)理論的糖尿病腎病辨證建模研究[D];北京中醫(yī)藥大學(xué);2016年

2 劉沖;模擬電路故障診斷AdaBoost集成學(xué)習(xí)方法研究[D];大連海事大學(xué);2011年

3 張?zhí)珜?人眼注視點(diǎn)估計(jì)方法的研究[D];南開大學(xué);2013年

4 趙培英;基于智能計(jì)算的膜蛋白結(jié)構(gòu)與相互作用預(yù)測(cè)研究[D];東華大學(xué);2010年

5 閔歡;稀疏采樣輸出變量數(shù)據(jù)補(bǔ)缺的軟儀表校正策略與方法[D];中國(guó)石油大學(xué)(北京);2016年

相關(guān)碩士學(xué)位論文 前10條

1 皮麗琴;基于AdaBoost-GASVM算法和LDA主題模型的短文本分類研究[D];華南理工大學(xué);2015年

2 孫斌;一種基于Adaboost的實(shí)時(shí)行人檢測(cè)算法[D];華南理工大學(xué);2015年

3 蔡澤彬;基于視頻分析的行人檢測(cè)及統(tǒng)計(jì)方法研究[D];華南理工大學(xué);2015年

4 游晴;Adaboost人臉檢測(cè)算法研究及其在硬件平臺(tái)上的實(shí)現(xiàn)[D];昆明理工大學(xué);2015年

5 宋雨;基于視覺圖片的腦—機(jī)接口控制研究[D];天津理工大學(xué);2015年

6 林欣;基于改進(jìn)膚色模型的AdaBoost人臉檢測(cè)算法研究[D];陜西科技大學(xué);2015年

7 袁浩杰;Adaboost算法的并行化及其在目標(biāo)分類中的應(yīng)用[D];華南理工大學(xué);2015年

8 張恒;基于近紅外圖像的疲勞駕駛檢測(cè)研究與系統(tǒng)實(shí)現(xiàn)[D];長(zhǎng)安大學(xué);2015年

9 朱非易;基于不平衡學(xué)習(xí)的蛋白質(zhì)—維生素綁定位點(diǎn)預(yù)測(cè)研究[D];南京理工大學(xué);2015年

10 張?jiān)?一種基于AdaBoost的組合分類算法研究[D];四川師范大學(xué);2015年

，

本文編號(hào)：2280596