Stacking算法在小样本预测上的适用性研究:以实验室金属挂片的腐蚀速率预测为例

摘要：

集成学习在处理小样本问题上具有相当的优势,相较于其他集成模式,Stacking模式对集成单元的类型并没有限制,所以具有相当的研究潜力.在油气领域,如何对实验室条件下对金属腐蚀数据的充分利用,是当前急需解决的问题.为了探究stacking算法在小样本预测上的适用性,本研究以实验室条件下获得的99组金属腐蚀数据为基础,在预处理后,然后选择了 11组基础集成模型以stacking的模式进行集成并预测.最终的结果表明stacking模式并不适用于该数据集下的小样本预测.

关键词：小样本、Stacking、油气腐蚀、集成学习

在线出版日期：2022-04-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：48-50,92