基于Stacking集成学习的岩性识别研究

针对传统集成学习模型利用测井资料进行地层岩性识别效果不佳的问题,提出了一种改进的集成学习模型。该模型使用CART决策树、K近邻算法(KNN)、支持向量机(SVM)和多层感知机(MLP)为基模型,逻辑回归(LR)为元模型,使用PCA算法计算每个基模型的权重,并且将权重融入到第二层元模型的训练数据集中,从而给元模型提供了更多质量较高的训练数据,以此构建出一个精准的多层集成学习模型。并且通过准确率、F1-Score两个指标对该模型进行了评估。最后将改进后的集成分类模型应用在实际的井区数据中,实验表明改进后的模型相较于传统的Stacking集成模型准确率提升了1.85个百分点,F1-Score提升了2个百分点,与实际结果相比有较高的一致性,充分证明了改进后的集成分类模型的有效性。