一种基于学习器准确度和相关性的集成学习权重分配方法

本发明公开了一种基于学习器准确度和相关性的集成学习权重分配方法，所述方法包括：构建决策树为样本数据集进行分区处理，利用多个基学习器对样本数据集进行预测得到预测矩阵，利用相对均方根误差算法或准确率算法获得分区对应的第一权重集，利用主成分回归算法或主成分分类算法获得第二权重集；融合第一权重集和第二权重集，得到最终权重集，利用最终权重集对第一预测矩阵中的预测结果进行加权求和，得到最终预测结果。本发明通过分区策略，使得模型能够更好地捕捉局部特征；通过准确性和相关性的综合权重分配，使得模型在准确性和相关性之间达到平衡；适用于回归和分类任务，提供了更强的适应性和模型泛化能力。