基于布谷鸟搜索的XGBoost算法优化及应用研究

为提高XGBoost算法预测精度，采用布谷鸟搜索算法全局优化XGBoost的超参数包括学习率、输出结点分裂的最小损失、树模型的最大深度和弱学习器的数量，构建CS-XGBoost模型训练数据集。实验结果表明，基于CS-XGBoost的收入分类模型的准确率、精确率、F1分数和AUC等指标分别为95.67%、97.17%、95.56%和97.96%,均优于Logistic回归、支持向量机、随机森林、XGBoost算法和基于网格搜索的XGBoost算法；基于CS-XGBoost的房价预测模型的决定系数、均方根误差及平均绝对误差分别为0.905 5、2.943 5及2.165 4,预测精度较XGBoost算法得到显著提升。     

论中国古典美学范畴——“味”

“味”是中国古典美学的核心范畴之一，对中国美学具有深远的影响。“味”本属中国古代饮食文化的范畴。“味”进入中国美学领域是一个渐进的过程，先秦诸子第一次将味概念引进精神领域，而孟子和庄子首先把味与审美联系起来，形成了“味诗”的审美传统。“味诗”既指诗本体，又指对诗的审美体验和审美判断，体现了中国特色的审美观。     

基于主成分分析法的两步子抽样算法及应用研究

针对大数据中高维变量多重共线性问题，结合Logistic模型提出两种基于主成分分析法的两步子抽样算法，分别为基于A-最优准则的最小均方误差(minimum Mean Square Error, mMSE)抽样和基于L-最优准则的最小方差协方差(minimum Variance covariance, mVc)抽样。实证结果表明，相较于随机抽样，mMSE抽样和mVc抽样能大幅降低模型参数估计的均方误差，提升模型的查准率、召回率、F1分数、特异度等分类评价指标。     

基于单元间距离估计的不等概率抽样算法及应用

现有大数据的不等概率抽样方法大多基于数据分布，泛化能力较差。为此，利用多层感知机、XGBoost和Kriging模型估计总体单元间的相对距离，提出针对海量数据的不等概率抽样算法。此类算法既不需要考虑总体的分布，又能够保证样本的代表性。实证分析结果表明，基于此算法抽取样本构建的模型与简单随机抽样方法相比，模型参数估计的均方误差更低，效果更稳定。