基于AdaBoost回归树的多目标预测算法

摘要：

预测问题通常涉及相同的输入变量同时预测多个目标变量.当目标变量为二进制时,预测任务被称为多标签分类;当目标变量为实值时,预测任务称为多目标预测.本文提出2种新的多目标回归方法:多目标堆叠(Multi-Target Stacking,MTS)和集成回归链(Ensemble of Regressor Chains,ERC).灵感来自2种流行的多标签分类方法.MTS和ERC在第一阶段的训练,都将采用基于回归树AdaBoost算法(ART)建立的单目标预测(Single-Target Prediction)模型作为基准方法;在第二阶段的训练,MTS和ERC都通过额外加入第一阶段的目标预测值作为输入变量来扩展第二阶段的输入变量空间,以此建立多目标预测模型.这2种方法都利用目标变量之间的关系,不同的是,ERC除了考虑目标的依赖性关系外还考虑了目标的顺序问题.此外,总结了MTS和ERC这2种方法的缺点,并且对算法进行修改,提出了相应的改进版本MTS Corrected(MTSC)和ERC Corrected (ERCC).实验结果表明,修改后的回归链ART-ERCC算法在多目标预测问题中表现最好.

关键词：多目标预测、多标签分类、单目标预测、回归链、堆叠泛化

分类号：TP301.6(计算技术、计算机技术)

在线出版日期：2017-10-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：89-95,105