典型文献
Stacking算法在小样本预测上的适用性研究:以实验室金属挂片的腐蚀速率预测为例
文献摘要：
集成学习在处理小样本问题上具有相当的优势,相较于其他集成模式,Stacking模式对集成单元的类型并没有限制,所以具有相当的研究潜力.在油气领域,如何对实验室条件下对金属腐蚀数据的充分利用,是当前急需解决的问题.为了探究stacking算法在小样本预测上的适用性,本研究以实验室条件下获得的99组金属腐蚀数据为基础,在预处理后,然后选择了 11组基础集成模型以stacking的模式进行集成并预测.最终的结果表明stacking模式并不适用于该数据集下的小样本预测.
文献关键词：
小样本;Stacking;油气腐蚀;集成学习
中图分类号：
作者姓名：
郑鹏飞;杨洋;石鑫;闻小虎
作者机构：
西南石油大学地球科学与技术学院,四川成都,610500;中国石油化工集团公司碳酸盐岩缝洞型油藏提高采收率重点实验室,新疆乌鲁木齐,830011;中国石油化工股份有限公司西北油田分公司工程技术研究院,新疆乌鲁木齐,830011
文献出处：
引用格式：
[1]郑鹏飞;杨洋;石鑫;闻小虎-.Stacking算法在小样本预测上的适用性研究:以实验室金属挂片的腐蚀速率预测为例)[J].电子测试,2022(01):48-50,92
A类：
油气腐蚀
B类：
Stacking,小样本预测,适用性研究,腐蚀速率预测,集成学习,小样本问题,集成模式,成单,金属腐蚀,腐蚀数据,急需解决,stacking,后选择,基础集,集成模型
AB值：
0.305596
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
