集成学习中有偏数据下基于多步标签变换的Boosting改进方法

摘要

本发明属于数据识别技术领域，公开了一种集成学习中有偏数据下基于多步标签变换的Boosting改进方法，准备训练数据集，测试数据集；针对训练数据集样本原始标签进行有偏性检测和标签变换；采用多阶段标签变换的方式进行Boosting过程迭代，每个阶段训练结束，计算当前阶段下拟合残差，满足变换指标时，进行sigmod压缩变换与boxcox变换；通过及时停止机制确定拟合阶段数目，完成训练过程；通过分阶段对测试数据预测和反变换完成预测过程，得到预测结果。本发明充分缓解了数据有偏性对算法系统带来的影响，提升了算法的灵活性，一定程度上提升了Boosting算法的拟合能力，使得算法表现更加鲁棒。