基于RTOPSIS的集成学习的综合评价研究

来源：计算机技术与发展杂志2024年第09期北京时间：

作者：左胜勇;冯立超*;陈学斌;张春艳

摘要：Stacking 集成学习被认为是一种“黑盒”模型,采用多个基学习器的预测结果输入,通过元学习器来生成最终的预测。 这种复杂性使得难以准确了解每个基学习器对最终结果的贡献。 为解决此问题,该文提出了 RTOPSIS 方法。 该方法结合了灰色关联度系数计算和优劣解距离方法,为决策者提供了一种有效的工具,以清晰地揭示每个基学习器在 Stacking 模型中对最终结果的贡献程度。 具体而言:采用 RTOPSIS 算法替代传统的判别方法,综合考虑基学习器和元学习器之间的关系,提供更客观和合理的模型排名结果;应用灰色关联分析算法计算各个基学习器在 Stacking 模型中的权重,并反映其对最终结果的贡献程度。 实验证明,相对于单一指标如 Accuracy、AUC 和 F1 -score 等,在 Stacking 模型综合评价中,RTOPSIS 算法为该文 6 个模型提供了更为合适的排名,且与经典优劣解距离算法的排序结果基本一致。 因此,RTOPSIS 算法在 Stacking 模型评价中展现出更全面的评价效果。

关键词：优劣解距离;灰色关联度;权重;Stacking模型;综合评价