许鸿森 陈松林 李红梅 刘张

摘要：该文利用机器学习算法对随机序列数据进行了实证研究。首先对比了常见机器学习算法模型在该数据上的预测性能，发现决策树算法效果较好。其次，对决策树算法模型进行了参数调优，提升了该模型的预测准确率。参数调优后的算法模型的预测效果较好。

关键词： 机器学习；随机序列；实证分析；参数调优

中图分类号：TP302 文献标识码：A 文章编号：1009-3044（2018）26-0166-03

Abstract： This paper makes use of machine learning algorithm to do empirical research on random sequences. First， the prediction performance of common machine learning algorithms on the data is compared， and it is found that the decision tree works well. Secondly， the parameter optimization of the decision tree algorithm model improves the prediction accuracy of the model. The parameter optimization algorithm model predicts better.

Key words： machine learning；random sequence；empirical analysis；parameter tuning

近年来，越来越多的人研究随机序列数据，因此随机序列的应用研究和预测未来随机序列具有一定的理论意义与实际应用价值。预测随机序列的方法比较多，如：概率与统计法模型1，理论成熟，但准确率低；BP算法模型2虽然能预测随机序列中的随机规律，但是网络的初始权值和阀值都是随机给出的没有考虑历史数据经验；遗传算法模型3虽然能较好的随机化搜索，但是它的搜索是随机的，带有一定的盲目性不能得到最优的随机序列预测。

本文基于真实的随机序列数据利用机器学习算法对随机序列数据进行分析，并对决策树算法模型进行了参数调优，提升了该模型的预测性能。参数调优后的算法模型的预测效果较好。

1 理论基础

1.1 机器学习

机器学习是研究如何利用经验来学习，能够较好的研究分析数据信息和从样本变量中做出高精度的预测。机器学习通过学习数据中潜在的信息和数据间的关系，根据数据的概率分布做出分类决策。机器学习通过某种模型训练历史数据，对任意给定输入尽量准确地进行输出预测4。……