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

作者：郑鹏飞^*; 杨洋; 石鑫; 闻小虎

来源：电子测试, 2022, (01): 48-92.

DOI：10.16520/j.cnki.1000-8519.2022.01.012

• 小样本
• Stacking
• 油气腐蚀
• 集成学习

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。

• 单位
  中国石油化工集团公司; 西南石油大学; 中国石油化工股份有限公司西北油田分公司