排序方式: 共有3条查询结果,搜索用时 140 毫秒
1
1.
在情感分析研究中,使用Stacking算法进行情感分析时基学习器的选择是至关重要的。传统的Stacking算法仅仅只是将不同学习器结合起来,没有区分它们之间的不同,同时也不能反映初级学习器的实际预测情况,针对此问题,基于熵值法改进Stacking算法进行文本的情感分类。首先,使用熵值法确定单一分类器的性能指标权重,将指标值的权重进行加权求和获得不同模型的综合得分,通过综合得分来选择性能最好的基学习器组合;接着,由于基模型中的各个分类器性能的不同,将基学习器训练后的预测结果赋予不同的权重,输入到次级学习器当中;最后再利用次级学习器进行训练并预测情感倾向。实验结果表明,基于熵值法改进Stacking模型优于传统的Stacking模型,说明基学习器的选择和重要程度对情感分类具有一定帮助,为之后文本情感分析奠定一定的基础。在情感分析研究中,使用Stacking算法进行情感分析时基学习器的选择是至关重要的。传统的Stacking算法仅仅只是将不同学习器结合起来,没有区分它们之间的不同,同时也不能反映初级学习器的实际预测情况,针对此问题,基于熵值法改进Stacking算法进行文本的情感分类。首先,... 相似文献
2.
3.
随着应用需求的发展,航电系统建设的体系特征日益明显,开展航电系统体系贡献率评估成为引导其迭代更新与优化设计的关键。针对专家知识随时间积累以及蜂群、协同等作战场景变化带来的指标体系权重演化问题,提出了一种适用于航电系统体系贡献率多阶段评估的动态综合方法。基于航电系统任务能力要素,构建了体系贡献率评估指标体系,并应用粒子群优化算法实现了有效评估阶段的时间加权。与传统静态单次评估、基于熵权法(entropy weight method, EWM)的动态评估以及逼近理想解排序法(technique for order preference by similarity to an ideal solution, TOPSIS)的动态评比等对比,所提方法充分体现权重分配信息并统筹兼顾阶段时序差异,能够更准确地反映指标贡献权重和能力贡献分布等评估结果,从而为航电系统发展论证提供更可靠和更灵活的决策方法支持。 相似文献
1