【摘要】：以德國Rossmann商場的數(shù)據(jù)為例,通過對數(shù)據(jù)的探索性分析,以相關(guān)背景業(yè)務(wù)知識體系為基礎(chǔ),通過可視化分析,提取隱含在數(shù)據(jù)里的特征,使用性能較優(yōu)的Xgboost方法進(jìn)行規(guī)則挖掘,取得較好效果。為進(jìn)一步提高Xgboost方法的預(yù)測精度和泛化性能,論文結(jié)合特征工程,采用集成學(xué)習(xí)方法,利用GLMNET和Xgboost模型擬合殘差,結(jié)合LM、TSLM在趨勢和季節(jié)性預(yù)測的優(yōu)點(diǎn),提出一種基于Xgboost的優(yōu)化組合模型用以對行業(yè)數(shù)據(jù)進(jìn)行預(yù)測,通過實(shí)驗(yàn)驗(yàn)證了該組合模型具有較好的精度和泛化能力。
[Abstract]:Taking the data of Rossmann shopping mall in Germany as an example, through the exploratory analysis of the data, based on the related background business knowledge system, and through the visual analysis, the features hidden in the data are extracted, and the rules mining is carried out by using the Xgboost method with better performance. Good results have been achieved. In order to further improve the prediction accuracy and generalization performance of the Xgboost method, this paper combines the feature engineering, adopts the integrated learning method, uses GLMNET and Xgboost model to fit the residual error, and combines the advantages of LM,TSLM in the trend and seasonal prediction. An optimal combination model based on Xgboost is proposed to predict the industry data. The experimental results show that the combination model has good accuracy and generalization ability.
【作者單位】： 南昌大學(xué)信息工程學(xué)院;
【基金】：國家自然科學(xué)基金資助項(xiàng)目(61262047) 江西省教育廳科技項(xiàng)目(GJJ14141) 江西省重點(diǎn)研發(fā)計(jì)劃基金資助項(xiàng)目(2017BBE50063)
【分類號】：F274;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 崔麗娟;李凱;倪志宏;;基于分類的集成學(xué)習(xí)算法研究[J];河北大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年04期

2 袁漢寧;;雙層多示例集成學(xué)習(xí)[J];武漢理工大學(xué)學(xué)報(bào)(信息與管理工程版);2011年05期

3 俞揚(yáng);周志華;;集成學(xué)習(xí)中完全隨機(jī)學(xué)習(xí)策略研究[J];計(jì)算機(jī)工程;2006年17期

4 張滄生;崔麗娟;楊剛;倪志宏;;集成學(xué)習(xí)算法的比較研究[J];河北大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年05期

5 陳凱;;基于聚類技術(shù)的集成學(xué)習(xí)差異性研究[J];南京工業(yè)職業(yè)技術(shù)學(xué)院學(xué)報(bào);2008年04期

6 李凱;崔麗娟;;集成學(xué)習(xí)算法的差異性及性能比較[J];計(jì)算機(jī)工程;2008年06期

7 潘志松;燕繼坤;;少數(shù)類的集成學(xué)習(xí)[J];南京航空航天大學(xué)學(xué)報(bào);2009年04期

8 陳凱;馬景義;;一種選擇性SER-BagBoosting Trees集成學(xué)習(xí)研究[J];計(jì)算機(jī)科學(xué);2009年09期

9 陳全;趙文輝;李潔;江雨燕;;選擇性集成學(xué)習(xí)算法的研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2010年02期

10 張燕平;曹振田;趙姝;鄭堯軍;杜玲;竇蓉蓉;;一種新的決策樹選擇性集成學(xué)習(xí)方法[J];計(jì)算機(jī)工程與應(yīng)用;2010年17期

相關(guān)會議論文 前3條

1 關(guān)菁華;劉大有;賈海洋;;自適應(yīng)多分類器集成學(xué)習(xí)算法[A];第二十五屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（二）[C];2008年

2 葉紅云;倪志偉;陳恩紅;;一種混合型集成學(xué)習(xí)演化決策樹算法[A];2005年“數(shù)字安徽”博士科技論壇論文集[C];2005年

3 李燁;蔡云澤;許曉鳴;;基于支持向量機(jī)集成的故障診斷[A];第16屆中國過程控制學(xué)術(shù)年會暨第4屆全國故障診斷與安全性學(xué)術(shù)會議論文集[C];2005年

相關(guān)博士學(xué)位論文 前10條

1 王永明;集成回歸問題若干關(guān)鍵技術(shù)研究[D];華東師范大學(xué);2015年

2 常征;基于混合集成學(xué)習(xí)的眼部與四肢交互動作建模與識別[D];北京科技大學(xué);2016年

3 張春霞;集成學(xué)習(xí)中有關(guān)算法的研究[D];西安交通大學(xué);2010年

4 劉天羽;基于特征選擇技術(shù)的集成學(xué)習(xí)方法及其應(yīng)用研究[D];上海大學(xué);2007年

5 尹華;面向高維和不平衡數(shù)據(jù)分類的集成學(xué)習(xí)研究[D];武漢大學(xué);2012年

6 王清;集成學(xué)習(xí)中若干關(guān)鍵問題的研究[D];復(fù)旦大學(xué);2011年

7 方育柯;集成學(xué)習(xí)理論研究及其在個性化推薦中的應(yīng)用[D];電子科技大學(xué);2011年

8 侯勇;特征提取與集成學(xué)習(xí)算法的研究及應(yīng)用[D];北京科技大學(xué);2015年

9 李燁;基于支持向量機(jī)的集成學(xué)習(xí)研究[D];上海交通大學(xué);2007年

10 程麗麗;支持向量機(jī)集成學(xué)習(xí)算法研究[D];哈爾濱工程大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 宋文展;基于抽樣的集成進(jìn)化算法研究[D];廣西大學(xué);2015年

2 秦海;融合非標(biāo)記樣本選擇的集成學(xué)習(xí)研究[D];湘潭大學(xué);2015年

3 李想;基于多示例的集成學(xué)習(xí)理論與應(yīng)用研究[D];合肥工業(yè)大學(xué);2014年

4 王希玲;基于選擇性集成學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測方法研究[D];青島科技大學(xué);2016年

5 閻秋靜;基于集成學(xué)習(xí)的高光譜圖像分類[D];黑龍江大學(xué);2016年

6 馮增濤;基于集成學(xué)習(xí)的人體日常行為活動識別系統(tǒng)研究[D];東南大學(xué);2016年

7 范光達(dá);基于集成學(xué)習(xí)的SLT-PLS回歸算法研究[D];東北大學(xué);2013年

8 吳雪文;基于集成學(xué)習(xí)和空間信息的高光譜遙感影像分類方法[D];西安電子科技大學(xué);2015年

9 苑成成;標(biāo)簽噪聲的集成學(xué)習(xí)研究[D];西安電子科技大學(xué);2015年

10 陳飛宇;基于集成學(xué)習(xí)算法的異常檢測研究[D];南京大學(xué);2015年

，

本文編號：2247439