Indexed by：
Abstract：
针对当前高校实验室异常用电行为，提出一种基于Stacking相异模型融合的异常行为检测方法。考虑相异基学习器挖掘实验室用电行为规律的差异性，对相异基学习器进行优选。利用随机森林作为元学习器，充分融合相异基学习器的优势，弥补各基学习器的缺陷，构建基于Stacking相异模型融合的集成学习模型。通过算例对比分析，验证了基于Stacking相异模型融合的集成学习模型能有效提升单一分类器的异常检测效果，在准确率、F_1分数、ROC曲线下面积和误检率上均优于Bagging、Voting、Adaboost等集成学习方法并能适应样本不平衡的情况。
Keyword：
Reprint 's Address：
Email：
Version：
Source ：
实验室研究与探索
ISSN： 1006-7167
CN： 31-1707/T
Year： 2024
Issue： 01
Volume： 43
Page： 231-237
Cited Count：
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count：
Chinese Cited Count：
30 Days PV： 1
Affiliated Colleges：
