【基于Transformer-CatBoost融合模型的不平衡数据分类研究】在二分类问题中，由于数据失衡处理不当、特征繁杂等问题，捕捉特征之间的复杂相关关系成为挑战。为改善这种现象，建立Transformer-CatBoost融合模型，引入Transformer挖掘用户数据的深层信息与CatBoost抗过拟合实现高效分类。首先，为Transformer编码器增加违约分类头，构建BaseTransformer。然后，将M个BaseTransformer集成作为模型的第一层学习器，得到第一层的预测结果与原特征一同输入第二层学习器CatBoost，实现基于Stacking的模型融合。采取多样化的模型评价指标，对比10种数据不平衡处理方法，选择了NCR方法参与实验，随后引入Optuna方法优化模型参数。最后，将模型与各种基准模型比较，借助消融实验证得模型的有效性与可行性，并利用Lending Club数据集证得模型的泛化能力。#毕业论文# #论文投稿咨询# #学术论文# #期刊论文# #论文写作# #汉斯出版社#

胡译丹, 高阳, 过子宽. 基于Transformer-CatBoost融合模型的不平衡数据分类研究[J]. 理论数学, 2026, 16(6): 155-169. http://t.cn/AXowmzUH
论文投稿咨询移步汉斯出版社公众号联系小编