剪切带对低层错能面心立方金属黄铜型织构形成的影响，闫海乐，贾楠，本文对代表高、中、低层错能的三种面心立方金属（镍、铜和α-黄铜）在冷轧过程中的织构演化进行了系统研究。X射线衍射、电子背散�
2024-02-25 19:00:14
1.17MB
1
食源性致病菌的快速识别是一项重要的工作，与传统检测方法相比，拉曼光谱能在无损检测的同时加快鉴别速度。为了提高大肠杆菌O157∶H7以及布鲁氏菌S2株拉曼光谱识别的准确性和效率，提出一种基于主成分分析与Stacking算法的集成判别模型，使用网格搜索以及K折交叉验证来提高模型的稳健性。与逻辑回归、K近邻、支持向量机等单一模型进行对比，实验结果证明PCA-Stacking集成模型有最高的准确率，达99.73%，达到了预期效果。
2023-03-19 14:34:25
3.78MB
1
主页有解释博客，可参考
本文要解决的问题为预测问题，即给出seer提取的癌症病人数据，如A病人的患病时长，性别，年龄等信息以及他是否死亡，通过训练后，给出某个病人的信息后就可以判定他是否死亡，具有一定的现实意义。同理还有股票涨跌问题
2023-01-14 19:17:59
1.93MB
1
本文来自于csdn，文章主要介绍了集成学习的几种方法和其相应的应用等相关内容。集成学习主要分为bagging，boosting和stacking方法。本文主要是介绍stacking方法及其应用。但是在总结之前还是先回顾一下继承学习。这部分主要转自网络。给定一个大小为n的训练集D，Bagging算法从中均匀、有放回地选出m个大小为n'的子集Di，作为新的训练集。在这m个训练集上使用分类、回归等算法，则可得到m个模型，再通过取平均值、取多数票等方法综合产生预测结果，即可得到Bagging的结果。加入的过程中，通常根据它们的上一轮的分类准确率给予不同的权重。加和弱学习者之后，数据通常会被重新加权，来
2023-01-01 20:51:29
153KB
1
为了提高光伏发电输出功率的预测精度和可靠性，本文提出一种基于Stacking模型融合的光伏发电功率预测方法.选取某光伏电站温度、湿度、辐照度等历史实测数据为研究对象，在将光伏发电功率数据进行特征交叉以及基于模型的递归特征消除法进行预处理和特征选择的基础上，以XGBoost、LightGBM、RandomForest 3种机器学习算法作为Stacking集成学习的第一层基学习器，以LinearRegression作为第二层元学习器，构建了多个机器学习算法嵌入的Stacking模型融合的光伏发电功率预测模型.预测结果表明，该方法的R2、MSE分别达到了0.9874和0.1056，相较于单一的机器学习模型，预测精度显著提升.
2022-08-15 21:06:50
1.99MB
1
人工智人-家居设计-基于Stacking融合模型的生物医药板块智能选股方案研究.pdf
2022-07-14 11:04:16
1.65MB
先运行change.py增加特征维度，再运行baseline.py
其中d_train_20180102.csv 有5642行
d_train_20180102_add.csv 有6642行，加了A榜的1000行
如果要看A榜的线上成绩，则把baseline.py里边的train test 和ol改一下路径即可
2022-06-22 15:40:45
11.44MB
1
详细讲解了集成学习的主要方法：Voting、Bagging、Boosting和Stacking。每一种集成方法都配有详细的代码讲解。能够使用集成模型完成分类或回归任务。
2022-05-08 14:20:34
472KB
1
母线负荷预测对于电网安全稳定调度具有重要意义，但母线负荷随机波动性较强，其负荷类型因供电区域的差异而不同。为此，提出一种基于极限梯度提升(XGBoost)与Stacking模型融合的短期母线负荷预测方法。基于XGBoost建立多个母线负荷预测元模型，组合构成Stacking模型融合的元模型层，连接一个XGBoost模型对元模型进行融合，整体构成综合预测系统，并采用粒子群优化算法优化系统参数。通过对具有不同负荷属性的220 kV母线进行实例分析，验证了所提方法的有效性与适用性。
2022-04-27 20:13:30
2.65MB
1
数据挖掘机器学习[七]---2021研究生数学建模B题空气质量预报二次建模求解过程：基于Stacking机器学习混合模型的空气质量预测｛含码源+pdf文章｝
2022-04-23 22:05:22
3.31MB