基于GBDT的个体收入水平预估

近年来,个体收入水平预估问题成为各行业的研究热点,针对当前收入水平预估算法只应用于某种类型单一且数据比例平衡的问题,采用基于Gradient Boosted Decision Tree(GBDT)的个体收入水平预估方法。GBDT能够处理多样化特征类型的数据集,包括数值类型和类别类型数据;可应用于缺失数据和非平衡数据集,通过选择合适的损失函数可以降低模型对异常值的敏感性。在基于UCI公开的人口普查数据中的实验效果表明,GBDT的实验效果优于常用的朴素贝叶斯(Naive Bayes)以及随机森林(Random Forest)的结果,具有较高精确度和普适性。