AdaBoost視角下數(shù)據(jù)驅(qū)動(dòng)的集成評(píng)價(jià)及其應(yīng)用.pdf

1、隨著大數(shù)據(jù)時(shí)代的到來(lái)，數(shù)據(jù)爆發(fā)式增長(zhǎng)、不斷更新且結(jié)構(gòu)復(fù)雜。傳統(tǒng)的綜合評(píng)價(jià)已顯現(xiàn)出兩點(diǎn)不足:一是遇到參數(shù)過(guò)多、結(jié)構(gòu)過(guò)于復(fù)雜的數(shù)據(jù)時(shí)建模困難;二是伴隨著數(shù)據(jù)的更新，模型的精準(zhǔn)度也會(huì)越來(lái)越低。為改善這種狀況，本文嘗試借鑒統(tǒng)計(jì)學(xué)習(xí)中自適應(yīng)的集成學(xué)習(xí)Adaboost視角，開(kāi)發(fā)出一個(gè)隨著數(shù)據(jù)更新而更新，對(duì)數(shù)據(jù)具有“自適應(yīng)”的數(shù)據(jù)驅(qū)動(dòng)評(píng)價(jià)模型。
　　數(shù)據(jù)驅(qū)動(dòng)評(píng)價(jià)的基本理念是:基于不斷更新的數(shù)據(jù)將評(píng)價(jià)模型改進(jìn)并集成，使其不斷契合數(shù)據(jù)流、提高模型準(zhǔn)

2、確率。基于此理念，本文主要做了兩方面的工作。第一，選取多屬性決策評(píng)價(jià)法中常用的Topsis法，在得分公式中添加一個(gè)參數(shù)ε，將其改進(jìn)為可以隨數(shù)據(jù)改變的Topsis法。第二，注意到一個(gè)評(píng)價(jià)模型無(wú)法適應(yīng)如今復(fù)雜的數(shù)據(jù)結(jié)構(gòu)，將適應(yīng)多指標(biāo)的主成分和因子分析法與數(shù)據(jù)驅(qū)動(dòng)的Topsis法看作弱評(píng)價(jià)模型，然后從AdaBoost視角出發(fā)對(duì)其集成，得到最終的集成評(píng)價(jià)模型。
　　最后為檢驗(yàn)所構(gòu)建的評(píng)價(jià)模型的效果，本文將其應(yīng)用于微信公眾號(hào)的影響力評(píng)價(jià)中。