基于机器学习算法及 Stacking 融合集成模型的矿柱稳定性分析
张文革, 董陇军, 王加闯, 龚甦文, 罗才严, 郝晨良, 曹恒
2023, 52(10):
67-74.
摘要
(
52 )
PDF (1806KB)
(
382
)
相关文章 |
计量指标
留设矿柱作为确保矿山地下安全开采的重要手段,开展其稳定性研究对矿山的安全生产具有重要意
义。 为此,基于机器学习算法及 Stacking 融合策略开展了矿柱稳定性分析。 首先,通过对原始矿柱稳定性数据
样本进
行统计分析,利用 SMOTE(Synthetic Minority Over-sampling Technique)算法对原始数据进行了样本平衡化
处理,并按照
80%的数据作为训练集、20%的数据作为测试集进行划分。 其次,使用随机森林算法(Random Forest,RF)、K-近
邻算法
(K-nearest Neighbor,KNN)、支持向量机算法( Support Vector Machine,SVM)、线性判别降维算法( Linear
Discriminant
Dimensionality Reduction,LDA)、多层神经网络算法(Multi-layer Neural Network,MLPC)以及逻辑回归算
法( Logistic Regression,LR)等不同算法进行分类计算。 然后,通过随机搜索算法和五折交叉验证来获取每个
模型的最优超参数,并
分别选取上述单个方法为元模型,结合 Stacking 融合策略构建 6 种集成模型。 最后,通过对比评价模型的准确
率、召
回率、精确率和 F1 指数等指标来确定最佳的评估方法。 研究表明:在传统机器学习算法中, SVM 算法在分类任
务中
表现最优,而在采用 Stacking 融合策略的集成模型中,以随机森林作为元模型的 Stacking 模型展现出最佳性
能;此外,
通过采用 Stacking 融合策略,整个集成算法模型相较于各个算法对应的元模型,性能得到明显提升。