AdaBoost視角下數據驅動的集成評價及其應用.pdf

1、隨著大數據時代的到來，數據爆發(fā)式增長、不斷更新且結構復雜。傳統(tǒng)的綜合評價已顯現(xiàn)出兩點不足:一是遇到參數過多、結構過于復雜的數據時建模困難;二是伴隨著數據的更新，模型的精準度也會越來越低。為改善這種狀況，本文嘗試借鑒統(tǒng)計學習中自適應的集成學習Adaboost視角，開發(fā)出一個隨著數據更新而更新，對數據具有“自適應”的數據驅動評價模型。
　　數據驅動評價的基本理念是:基于不斷更新的數據將評價模型改進并集成，使其不斷契合數據流、提高模型準

2、確率?；诖死砟?，本文主要做了兩方面的工作。第一，選取多屬性決策評價法中常用的Topsis法，在得分公式中添加一個參數ε，將其改進為可以隨數據改變的Topsis法。第二，注意到一個評價模型無法適應如今復雜的數據結構，將適應多指標的主成分和因子分析法與數據驅動的Topsis法看作弱評價模型，然后從AdaBoost視角出發(fā)對其集成，得到最終的集成評價模型。
　　最后為檢驗所構建的評價模型的效果，本文將其應用于微信公眾號的影響力評價中。