基于Stacking集成学习的注塑件尺寸预测方法

摘要

机器学习算法能够处理高维和多变量数据，并在复杂和动态环境中提取数据中的隐藏关系，在注塑件尺寸预测中具有很好的应用前景。注塑件尺寸预测系统的性能取决于机器学习算法的选择，然而，传统的机器学习算法在实际应用中不能达到很好的预测效果。为此，文中提出了一种基于Stacking集成学习的融合模型，首先采用优化的特征选择方法获得最佳的特征数量，然后通过对比分析单一模型的关联度和预测效果、不同Stacking学习器组合方式下模型的预测效果，得到预测性能最佳的模型，该模型的基学习器为极端梯度提升树(XGB)、轻量级梯度提升树(LGB)、核岭回归，元学习器为弹性网络回归。测试结果表明：该模型在注塑件尺寸预测方面的均方根误差和平均绝对误差较XGB和LGB模型分别降低了16%和20%左右，较传统支持向量机模型分别降低了45.22%和46.48%,同时模型预测结果可根据特征解释回溯到实际生产中，为制造工艺和工序的优化提供决策指导。

关键词