论文部分内容阅读
随着大数据时代的到来,数据爆发式增长、不断更新且结构复杂。传统的综合评价已显现出两点不足:一是遇到参数过多、结构过于复杂的数据时建模困难;二是伴随着数据的更新,模型的精准度也会越来越低。为改善这种状况,本文尝试借鉴统计学习中自适应的集成学习Adaboost视角,开发出一个随着数据更新而更新,对数据具有“自适应”的数据驱动评价模型。数据驱动评价的基本理念是:基于不断更新的数据将评价模型改进并集成,使其不断契合数据流、提高模型准确率。基于此理念,本文主要做了两方面的工作。第一,选取多属性决策评价法中常用