一种深度梯度提升回归预测模型

• 作者: 曲文龙 李一漪 汪慎文 陈笑屹
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: 梯度提升 深度学习 集成学习 回归预测
• 年，卷（期）: 2020,（9）
• 所属期刊栏目: 算法
• 页码范围: 194-201
• 页数: 8页
• 分类号: TP181
• 字数: 8431字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386x.2020.09.032

摘要

浅层学习模型对复杂函数表示能力有限,从而导致泛化能力受到制约.针对此问题,结合深度学习和集成学习思想提出一种基于深度梯度提升的回归预测模型.该模型在输入层对原始特征进行特征子集提取,训练生成子空间基学习器;隐藏层通过构建多层级联结构,逐层融合子空间特征与原始特征从而实现逐层表征学习,并根据相邻层学习变化率自适应学习层数;输出层中使用学习法结合策略对样本进行最终预测.采用并行化方式对各层学习器进行训练以提高模型运行效率.在UCI公开数据集上进行实验验证,结果表明:相比现有集成预测方法,该模型具有更高的预测精度和运行效率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	曲文龙	河北地质大学信息工程学院	5	6	2.0	2.0
2	汪慎文	河北地质大学信息工程学院	11	28	3.0	5.0
3	李一漪	河北地质大学信息工程学院	3	1	1.0	1.0
5	陈笑屹	河北地质大学信息工程学院	2	0	0.0	0.0