- 本文從電力欠費風險預測的角度出發，提出了一種基于特征選擇改進的LR-Bagging(即以邏輯回歸為基分類器的Bagging集成學習)算法，其精髓在于每一個訓練的LR基分類器的記錄和字段均通過隨機抽樣得到。且算法的終止迭代準則由AUC統計量的變化率決定。該改進算法充分考慮了LR的強泛化能力、Bagging的高精確度，以及特征選擇帶來的LR基分類器的多樣性、弱化的多重共線性與“過擬合”度，效果優于單一LR模型。且最終的實驗表明，該改進算法得到的電力欠費居民客戶風險預測模型的準確性與有效性得到提升。
- 關鍵字：
LR分類器 Bagging集成學習 特征選擇 AUC 201704
特征選擇介紹
您好，目前還沒有人創建詞條特征選擇!
歡迎您創建該詞條，闡述對特征選擇的理解，并與今后在此搜索特征選擇的朋友們分享。
創建詞條
關于我們 -
廣告服務 -
企業會員服務 -
網站地圖 -
聯系我們 -
征稿 -
友情鏈接 -
手機EEPW
Copyright ?2000-2015 ELECTRONIC ENGINEERING & PRODUCT WORLD. All rights reserved.
《電子產品世界》雜志社 版權所有 北京東曉國際技術信息咨詢有限公司
京ICP備12027778號-2 北京市公安局備案：1101082052 京公網安備11010802012473
