排序方式： 共有2条查询结果，搜索用时 78 毫秒
1
1.
[目的/意义]针对现有数据资源定价标准模糊、交易规则缺失、买卖双方信息不对称的问题,提出基于Stacking多算法融合模型的数据资源定价方法。[方法/过程]首先,基于四分位法及Box-Cox方法对样本数据进行预处理,剔除异常数据的同时调整数据分布,并基于Lasso算法以均方根误差最小为目标完成特征筛选;其次,基于Pearson系数选取最优算法组合,构建基于Stacking集成学习融合多种机器学习算法的数据资源价格预测模型;最后,以国信优易数据平台交易数据为样本进行算例分析。[结果/结论]相较于单算法模型及其他集成算法模型,XGBoost、SVR、KNN、MLP融合模型的预测精度及性能均明显提升;实现了数据资源自身和市场的双向反馈平衡,形成闭环的价值链,为数据资源定价提供参考。 相似文献
2.
针对现有的数据资源价值评估与定价方法主观性强、定量标准缺乏的问题，提出基于模型堆叠集成GBDT(Stacked-GBDT)算法的数据资源价值评估方法。首先，基于敏感性分析，从数据自身和市场两个维度归纳并建立了数据资源价值评估指标体系；然后，基于GBDT机器学习算法与Stacking集成学习算法，提出了基于StackedGBDT的数据资源价值评估算法，并与Random Forest和XGBoost算法进行对比以验证所提方法的正确性及有效性；最后，应用Stacked-GBDT模型对数据集进行动态定价。结果表明，Stacked-GBDT算法构建的数据资源价值评估模型可为数据价值测算及动态定价提供精确可靠的依据与支撑。 相似文献
1