基于Stacking模型的采空区稳定性预测
Gold Science and Technology（2020）
摘要
为了预防采空区安全事故的发生,提高采空区稳定性预测的准确性,选取了影响采空区稳定性的11个主要因素作为特征值,建立了以Random Frost、Adaboost、ExtraTrees和LightGBM为初级学习器,Logistic-Regression为次级学习器的Stacking模型,对采空区稳定性进行预测.将从实际矿山获取的60组数据拆分成训练集与测试集对Stacking模型进行训练学习,同时对比单模型与Stacking模型的预测结果.使用F1值与AUC值对模型进行评价,Stacking模型F1值为0.967,AUC值为0.97,远高于Random Frost等传统单一机器学习模型.对于未放入模型训练的测试集数据,Stacking模型的预测准确度也优于Random Frost等传统单一机器学习模型.结果表明:Stacking模型相比单模型的机器学习方法能够更加精准有效地预测采空区的稳定性等级.
更多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