随着互联网和电子商务的蓬勃发展,网络购物成为人们生活的常态。精准预测用户的网络购物行为,能为相关行业提供有价值的决策参考。基于此,文章基于集成学习法进行预测,为改进传统Stacking模型中只能结合基分类器预测结果的情况,在构建St...随着互联网和电子商务的蓬勃发展,网络购物成为人们生活的常态。精准预测用户的网络购物行为,能为相关行业提供有价值的决策参考。基于此,文章基于集成学习法进行预测,为改进传统Stacking模型中只能结合基分类器预测结果的情况,在构建Stacking模型时融入贝叶斯模型平均(bayesian model averaging,BMA),体现各基分类器对预测结果的贡献程度,有效结合多个模型优势。利用累积重要性筛选出有代表性的特征变量,评估模型性能以确定合适的基分类器组合,并结合逻辑回归元学习器构建最终的Stacking模型,基于构建好的模型融合BMA进行预测。实验结果表明,融入BMA后的Stacking模型预测用户网络购物行为效果较好。展开更多
文摘随着互联网和电子商务的蓬勃发展,网络购物成为人们生活的常态。精准预测用户的网络购物行为,能为相关行业提供有价值的决策参考。基于此,文章基于集成学习法进行预测,为改进传统Stacking模型中只能结合基分类器预测结果的情况,在构建Stacking模型时融入贝叶斯模型平均(bayesian model averaging,BMA),体现各基分类器对预测结果的贡献程度,有效结合多个模型优势。利用累积重要性筛选出有代表性的特征变量,评估模型性能以确定合适的基分类器组合,并结合逻辑回归元学习器构建最终的Stacking模型,基于构建好的模型融合BMA进行预测。实验结果表明,融入BMA后的Stacking模型预测用户网络购物行为效果较好。
