基于集成机器学习模型的前兆特征危险预判识别.pdfVIP

1问题3：基于集成机器学习模型的前兆特征危险预判识别

1.1模型识别指标体系

1.1.1F1分数

对抽样方法进行对比，可基于智能合约来评价本文的研究。本文在同一测试集上使用

了三个分类器，即XGBoost分类器、GBDT分类器和RUSBoost分类器，每个分类器由三

个不同的训练集进行训练，即原始训练集、用SMOTE和SMOTETomek平衡的训练集合。

选择Micro-F1和Macro-F1作为分类的评价指标。MicroF1和Macro-F1是用于评估多

错误未找到引用源。

标记分类的测量值!。当计算Micro-F1时，该值容易受到具有许多样本的类别的

错误未找到引用源。

分类结果的影响!。计算Macro-F1时，无论每个类别中的样本数量如何，每个类

别的权重都是相等的类别Micro-F1和Macro-F1的定义如下：

1n1n

macro−P=P,macro−R=R(1-1)

ii

ni=1ni=1

2macro−macro−

PR

macro−F1=(1-2)

macro−+macro−

PR

TPTP

micro−P=,micro−R=(1-3)

TP+FPTP+FN

2micro−Pmicro−R

macro−F1=(1-4)

micro−P+micro−R

其中真阳性（TP）是正确分类为阳性样本的阳性样本数量；真阴性（TN）是正确分类

的阴性样本的数量；假阳性（FP）是错误分类为阳性样本的阴性样本数量，假阴性（FN）

错误未

是错误归类为阴性样本的阳性样本数量。TP、FP和FN分别为TP、FP、FN的平均值!

找到引用源。

。

在分类器的比较过程中，本文进行了全面的实验，以比较基于三个多标签分类器（即

错误未找到引用源。

XGBoost分类器、GBDT分类器和RUSBoost分类器）的性能!。F1分数、Micro-

F1、Macro-F1用于测量分类器的性能。F1分数是用于评估二元分类器的度量，它被定义为

召回（R）和精度（P）的加权调和平均值。与几何平均值（G-mean）相比，它更重视正类，

并定义为