整体与极端偏差之权衡:一种改进的组合预测优化方法

组合预测是集成学习的重要组成分支,也是提升预测或分类精度的有效手段之一.预测模型的整体偏差度量方法应用成熟广泛,例如在组合预测中,集成模型的样本内均方误差是传统权重优化方法的主要目标损失.然而由于“过拟合”风险的存在,训练误差的最小化并非最小化泛化误差的充分条件.因此为了增加权重优化主体的多样性、减少权重过拟合风险和控制模型尾部损失等,本文定义了用以刻画组合模型极端偏差的度量指标.在此基础上,设计了一种全新的权衡整体和极端偏差的目标损失函数,并构建了基于粒子群优化算法的最优权值求解方法.在黄金和原油价格数据上的仿真实验结果表明,本文所提出的组合预测方法能够有效对抗传统方法的过拟合问题,与简单平均、最优权重法等基准模型相比,能够较好地提升组合预测模型的泛化性能,降低模型预测误差.