模型的评价及推广.pdfVIP

11模型的评价及推广

11.1模型的优点

（1）本文采用多个模型（GBDT、XGBoost、RUSBoost）建立用户体验预测模型，

GBDT模型是通过不断代地进行数据优化，改善了用户体验预测不充分。XGBoost利用多

棵决策树学习数据中复杂的关系，得到准确的用户体验预测。GBDT模型能够对不同的特

征及数值特征进行自动的处理，特征工程工作量减小，增强用户体验预测功能。

（2）将敏感度分析与稳健性检验相结合应用于多模型的预测问题，反应了不同模式

下观测值及参数变化程度，通过对模型鲁棒性进行检验，减少了模型识别风险，模型解释

性得到增强。

（3）使用多种模型（决策树、GBDT、XGBoost、CatBoost）构建了用户体验预测模

型，并在此基础上进行了参数优化以及Stacking集成学习优化，改善了单一算法模型对用

户体验预测的不足，具有一定现实意义。

（4）在对多模型预测问题上采用敏感度分析和稳健性检验，对初预测结果以绝对误

差和为目标函数的线性组合进行优化处理，有助于降低模型识别的风险性。

11.2模型的不足

（1）本文在GBDT模型的研究上，需要提前对数据的异常值进行处理。如果存在异

常值将会导致预测的数据出现偏差。

（2）在XGBoost模型的研究上，需要进一步提升预测的性能。在实际的场景中，错

误的预测可能导致较大的风险，因此提升预测的性能十分有必要。

11.3模型的推广

（1）文中应用机器学习模型配对数据的分类能力更强，已经在网络，国家电网和位

[25]

置信息等领域、疾病类别及其他领域有着广泛的应用与普及。

（2）主成分分析模型在多领域研究表明，在环境科学与资源利用、农业经济、经济

体制改革、工业经济、企业经济等领域有很高应用价值。

2

参考文献

[1]费兴华.进城农民职业培训效果评价研究[D].河北经贸大学,2019.1.

[2]张社梅，中国培训市场研究[D]，西北农林科技大学，2004.2.

[3]董兵，关于我国教育培训市场形成和发展的研究—宜昌市教育培训市场的个案分析[D]，华中师范

大学，2004.3.

[4]雁予，培训满意度的评估分析[J].人力资源，2004（4），45-48.

[5]ScientificPlatformServingforStatisticsProfessional2021.SPSSPRO.(Version1.0.11)[OnlineApplication

Software].Retrievedfrom.

[6]徐维超.相关系数研究综述[J].广东工业大学学报,2012,29(3):12-17.

[7]李娟生,李江红,刘小宁,申希平,米友军.Kendall’sW分析方法在医学数据处理中的应用及在SPSS中

的实现方法[J].现代预防医学,2008(01):33+42.

[8]TianpeiXu,YingMa,KangchulKim.TelecomChurnPredictionSystemBasedonEnsembleLearningUsing

FeatureGrouping[J].Appl.Sci,2021,11(11):42-47.

[9]S.伯恩斯坦,R.伯恩斯坦.统计学原理.上册,描述性统计学与概率[M].科学出版社,2002.

[10]胡雷芳.五种常用系统聚类分析方法及其比较[J].浙江统计,2007,No.270(04):11-13.

[11]Jain,A.K.,andR.C.Dubes.Algorithmsforclusteringdata.Technometrics32.2(1988):227-229.

[12]WangW,SongJ,XuG,etal.Contractward:Automatedvulnerabilitydetectionmodelsforethereumsmar