整体与极端偏差之权衡:一种改进的组合预测优化方法
Systems Engineering —Theory & Practice（2023）
摘要
组合预测是集成学习的重要组成分支,也是提升预测或分类精度的有效手段之一预测模型的整体偏差度量方法应用成熟广泛,例如在组合预测中,集成模型的样本内均方误差是传统权重优化方法的主要目标损失.然而由于"过拟合"风险的存在,训练误差的最小化并非最小化泛化误差的充分条件.因此为了增加权重优化主体的多样性、减少权重过拟合风险和控制模型尾部损失等,本文定义了用以刻画组合模型极端偏差的度量指标.在此基础上,设计了一种全新的权衡整体和极端偏差的目标损失函数,并构建了基于粒子群优化算法的最优权值求解方法.在黄金和原油价格数据上的仿真实验结果表明,本文所提出的组合预测方法能够有效对抗传统方法的过拟合问题,与简单平均、最优权重法等基准模型相比,能够较好地提升组合预测模型的泛化性能,降低模型预测误差.
更多关键词
forecast combination,extreme bias,bias trade-off,particle swarm optimization
AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要