基于集成學(xué)習(xí)算法的返貧人口識別模型

李春雷 王文生 郭雷風(fēng) 陳桂鵬

摘要：2020年底精準(zhǔn)扶貧工作勝利完成，但絕對貧困和區(qū)域性整體貧困的消除并不意味著貧困的消失和扶貧工作的結(jié)束。黨中央多次強(qiáng)調(diào)要健全防止返貧動(dòng)態(tài)監(jiān)測和幫扶機(jī)制，對易返貧致貧人口實(shí)施常態(tài)化監(jiān)測。當(dāng)前對返貧動(dòng)態(tài)監(jiān)測的研究多為宏觀政策性內(nèi)容，對貧困人口進(jìn)行返貧識別的微觀操作性研究較少。針對上述問題，利用貧困戶建檔立卡數(shù)據(jù)進(jìn)行數(shù)據(jù)處理選取14維特征，構(gòu)建基于集成學(xué)習(xí)算法的返貧人口識別模型進(jìn)行貧困人口分類。結(jié)果表明，經(jīng)調(diào)優(yōu)的XGBoost算法模型取得最優(yōu)結(jié)果，對已脫貧、未脫貧及返貧3類人員分別達(dá)97.43%、92.44%、97.04%的識別準(zhǔn)確率，總體達(dá)到96.81%的準(zhǔn)確率，能夠較好識別出貧困人口貧困類別。為幫扶工作人員的防返貧動(dòng)態(tài)監(jiān)測和幫扶工作提供技術(shù)支持。

關(guān)鍵詞：建檔立卡;集成學(xué)習(xí);返貧識別;動(dòng)態(tài)監(jiān)測

中圖分類號： F323.8;TP181? 文獻(xiàn)標(biāo)志碼： A

文章編號：1002-1302（2021）17-0231-07

收稿日期：2021-02-02

基金項(xiàng)目：江西現(xiàn)代農(nóng)業(yè)科研協(xié)同創(chuàng)新專項(xiàng)（編號：JXXTCX201801-03）。

作者簡介：李春雷（1994—），男，河北邢臺人，碩士研究生，主要從事信息技術(shù)農(nóng)業(yè)應(yīng)用相關(guān)研究。E-mail：lcl050024@126.com。

通信作者：王文生，博士，研究員，博士生導(dǎo)師，主要從事農(nóng)業(yè)信息化相關(guān)研究。E-mail：13911359883@163.com。

在2020年12月3日中共中央政治局常務(wù)委員會會議上，中共中央總書記習(xí)近平宣布，經(jīng)過8年持續(xù)奮斗，現(xiàn)行標(biāo)準(zhǔn)下農(nóng)村貧困人口全部脫貧，消除了絕對貧困和區(qū)域性整體貧困，取得了脫貧攻堅(jiān)重大勝利。隨著精準(zhǔn)扶貧的完成，全國約9 900萬貧困人口實(shí)現(xiàn)脫貧，貧困地區(qū)的已脫貧貧困人員返貧問題也隨之顯現(xiàn)。2020年以來受極端氣候?yàn)?zāi)害、新冠疫情等突發(fā)事件以及國際形勢變化的影響，已脫貧人口面臨較大的返貧壓力，以及部分邊緣人口也面臨致貧風(fēng)險(xiǎn)。因此，“后扶貧時(shí)代”的關(guān)注焦點(diǎn)是怎樣實(shí)現(xiàn)可持續(xù)脫貧。黨的十九大明確，農(nóng)村絕對貧困人口實(shí)現(xiàn)脫貧，并不意味著農(nóng)村貧困的消失和扶貧工作的結(jié)束，要進(jìn)一步鞏固建設(shè)成果，防止返貧。

現(xiàn)階段對防止返貧監(jiān)測預(yù)警的研究多為政策干預(yù)層面，如根據(jù)多維指標(biāo)建立評價(jià)體系進(jìn)行相對貧困預(yù)警監(jiān)測分級，采取分級治理措施[1]。而對于返貧人口的識別監(jiān)測工作的具體操作研究較少，主要工作方式仍是依賴精準(zhǔn)扶貧階段建設(shè)的扶貧工作體系，扶貧干部、信息員等一線扶貧工作者入戶摸排進(jìn)行信息采集和回訪，將入戶結(jié)果整理后自下向上層層上報(bào)[2]。在2020年12月28日中央農(nóng)村工作會議上，黨中央決定從脫貧之日起設(shè)立5年過渡期，過渡期內(nèi)要保持主要幫扶政策總體穩(wěn)定，逐步實(shí)現(xiàn)向全面推進(jìn)鄉(xiāng)村振興平穩(wěn)過渡。這個(gè)過程中，扶貧工作隊(duì)以及各單位抽調(diào)的幫扶人員必然要逐步撤出，原有的扶貧工作機(jī)制必然要有所轉(zhuǎn)變。加強(qiáng)對大數(shù)據(jù)等信息技術(shù)的利用，是實(shí)現(xiàn)對重點(diǎn)人群常態(tài)化監(jiān)測的必然要求，也是減輕扶貧工作人員工作壓力、提高返貧監(jiān)測和幫扶工作效率的重要保障。

近幾年大數(shù)據(jù)、機(jī)器學(xué)習(xí)等技術(shù)也開始被應(yīng)用于扶貧工作中。在貧困人口精準(zhǔn)識別工作中利用隨機(jī)森林算法對貧困人口進(jìn)行精準(zhǔn)識別能夠取得不錯(cuò)的效果[3]，但相關(guān)工作多采用社會科學(xué)調(diào)查數(shù)據(jù)，存在成本較高、周期較長的不足。部分研究人員提出利用大數(shù)據(jù)信息系統(tǒng)進(jìn)行返貧預(yù)警[4]，但是對如何利用大數(shù)據(jù)進(jìn)行返貧預(yù)警的操作多為宏觀闡述。國外學(xué)者在研究減貧問題過程中提出利用深度學(xué)習(xí)技術(shù)基于低成本高分辨微星圖像估計(jì)區(qū)域財(cái)富和消費(fèi)水平，以此彌補(bǔ)缺乏大規(guī)模可靠公共數(shù)據(jù)的缺陷[5]。

自精準(zhǔn)扶貧工作開展以來，在中央和地方共同努力下，各地針對本地區(qū)貧困戶進(jìn)行了建檔立卡等多方面數(shù)據(jù)采集工作[6]，積累了大量的能夠反映區(qū)域特征的貧困人口數(shù)據(jù)?；诂F(xiàn)有的大規(guī)模、細(xì)粒度的數(shù)據(jù)優(yōu)勢，深入挖掘利用建檔立卡數(shù)據(jù)，以此提升精準(zhǔn)識別精度、為幫扶政策制定提供決策依據(jù)。有研究者利用機(jī)器學(xué)習(xí)算法結(jié)合建檔立卡數(shù)據(jù)進(jìn)行幫扶方式推薦[7]，為扶貧工作者提供扶貧方式參考。而當(dāng)前對挖掘到的建檔立卡數(shù)據(jù)進(jìn)行返貧識別的研究較少。本研究利用精準(zhǔn)扶貧工作中積累的建檔立卡數(shù)據(jù)，采用能夠處理多數(shù)據(jù)類型、訓(xùn)練速度快、魯棒性較強(qiáng)的XGBoost等集成學(xué)習(xí)算法建模，對貧困人口進(jìn)行已脫貧、貧困、返貧三分類識別，對已脫貧人口長期跟蹤，對返貧貧困人口動(dòng)態(tài)監(jiān)測和及時(shí)干預(yù)，減輕扶貧工作人員工作壓力，提高工作效率，使精準(zhǔn)扶貧已取得的工作成果得到保障。

1 數(shù)據(jù)來源及處理

1.1 數(shù)據(jù)來源及試驗(yàn)設(shè)備

本研究所用的數(shù)據(jù)來源于筆者所在團(tuán)隊(duì)對國家級貧困縣H省B市F縣建設(shè)的幫扶項(xiàng)目“精準(zhǔn)扶貧大平臺”，該項(xiàng)目旨在從全要素、全生命周期提升當(dāng)?shù)氐木珳?zhǔn)扶貧工作的信息化水平，項(xiàng)目建設(shè)期間幫助F縣當(dāng)?shù)馗鲉挝粠头鋈藛T幫扶信息系統(tǒng)，利用web端平臺、手機(jī)app等多種方式助力F縣精準(zhǔn)扶貧工作，提升精準(zhǔn)扶貧工作效率。所用的數(shù)據(jù)節(jié)點(diǎn)為2020年初F縣貧困人員信息，共計(jì)貧困戶31 438戶92 482人，其中尚未脫貧11 367人，已脫貧 79 777 人，返貧人員1 338人。

所用開發(fā)語言為Python 3.7配合sklearn工具包和XGBoost、LightGBM及CatBoost對應(yīng)的Python工具包;所有計(jì)算運(yùn)行環(huán)境均為Win10操作系統(tǒng)，采用i5-9600KF 6Core處理器。

1.2 原始數(shù)據(jù)處理及特征構(gòu)建

貧困人員家庭人均純收入是其一段時(shí)期內(nèi)的收入反映，但這一指標(biāo)容易受到短期幫扶政策因素或者貧困人員家庭變故的影響。故僅憑借收入這一單獨(dú)指標(biāo)來認(rèn)定貧困人口脫貧狀態(tài)存在一定的局限性，在當(dāng)下以及日后的扶貧以及防止返貧工作中是遠(yuǎn)遠(yuǎn)不夠的。運(yùn)用多維貧困測度方法，從多個(gè)維度對貧困人口進(jìn)行識別，更加精準(zhǔn)地發(fā)現(xiàn)貧困人口困難所在，有針對性進(jìn)行幫扶，對貧困人口脫貧動(dòng)態(tài)追蹤管理，才能夠有效提升精準(zhǔn)扶貧效率[8]。

根據(jù)羅麗在可持續(xù)升級分析框架的基礎(chǔ)上構(gòu)建的多維貧困識別指標(biāo)體系中的指標(biāo)[3]，從勞動(dòng)能力、教育文化、勞動(dòng)技能、基礎(chǔ)設(shè)施、家庭收入等方面對建檔立卡數(shù)據(jù)進(jìn)行格式統(tǒng)一整理、轉(zhuǎn)化和清洗，對收集到的貧困人口原始數(shù)據(jù)進(jìn)行處理和特征篩選。各地大量記錄表明，疾病醫(yī)療是導(dǎo)致貧困或返貧的重要原因之一[9]。許多原本依靠自身務(wù)工擺脫貧困的家庭，由于家庭成員患病失去務(wù)工收入且還有可能需要家中其他勞動(dòng)力辭工照顧，使得本已脫貧的家庭再度返貧。故據(jù)此增加構(gòu)建家庭疾病人口比率這一特征，及根據(jù)戶號、家庭人口數(shù)量以及人員健康情況信息計(jì)算患病和殘疾人數(shù)占家庭人口總數(shù)比例。為便于建模分析，將原始數(shù)據(jù)中的各項(xiàng)貧困特征類別數(shù)據(jù)轉(zhuǎn)化為數(shù)值數(shù)據(jù)，具體數(shù)值定義見表1。

原始數(shù)據(jù)中的每戶人數(shù)、外出務(wù)工時(shí)間（月）、平均收入3項(xiàng)數(shù)值型數(shù)據(jù)均不做轉(zhuǎn)換處理。根據(jù)表中數(shù)值定義將貧困人口原始數(shù)據(jù)轉(zhuǎn)換為數(shù)值型，轉(zhuǎn)換過后貧困人口數(shù)據(jù)轉(zhuǎn)換成為一個(gè)貧困數(shù)據(jù)矩陣，即可作為算法的輸入數(shù)據(jù)進(jìn)而構(gòu)建貧困人口分類算法模型，最終構(gòu)建成為包含14個(gè)特征92 482條數(shù)據(jù)的數(shù)據(jù)集。利用sklearn工具包的數(shù)據(jù)劃分工具，將數(shù)據(jù)隨機(jī)打亂，根據(jù)類別比例，80%劃分為訓(xùn)練集，其他用作驗(yàn)證集。

2 模型介紹

本研究采用近年來在實(shí)際業(yè)務(wù)場景中有優(yōu)異表現(xiàn)的集成學(xué)習(xí)算法來構(gòu)建貧困人口識別模型。集成學(xué)習(xí)即使用一系列的學(xué)習(xí)器進(jìn)行學(xué)習(xí)，采用某種規(guī)則將得到的學(xué)習(xí)器的學(xué)習(xí)結(jié)果進(jìn)行整合，從而得到更好的學(xué)習(xí)效果。

2.1 極端梯度提升（XGBoost）

XGBoost是由陳天奇博士團(tuán)隊(duì)2014年開源的機(jī)器學(xué)習(xí)項(xiàng)目，在2016年機(jī)器學(xué)習(xí)比賽中大放異彩，之后便成為了各類比賽的首選算法[10]。XGBoost的目標(biāo)函數(shù)：

L（φ）=∑il（y^i，yi）+∑kΩ（fk）。（1）

相比于原始GBDT，多了正則項(xiàng)，能夠減少過擬合的可能，同時(shí)加快了收斂速度。

Ω（f）=γT+12λ‖w‖2。（2）

式中：γ表示樹分裂難度系數(shù)，來控制樹的生成;T表示葉子節(jié)點(diǎn)個(gè)數(shù);λ表示的是L2正則系數(shù)，如此對葉子節(jié)點(diǎn)個(gè)數(shù)進(jìn)行懲罰，相當(dāng)于在訓(xùn)練過程中剪枝。將損失函數(shù)用泰勒公式二階展開，如此新的目標(biāo)函數(shù)能夠取得更快的收斂速度和準(zhǔn)確性，最終目標(biāo)函數(shù)變?yōu)楣剑?）。

obj（i）=-12∑Tj=1（∑i∈Ijgi）2∑i∈Ijhi+λ+γT。（3）

式中：Ij{q（Xi）=j}表示該樹中索引為j的葉子上含有的樣本集合，在XGBoost中用q（xi）表示樣本xi輸入到模型后會被劃分到哪個(gè)葉子節(jié)點(diǎn)hi為損失函數(shù)L（φ）的二階導(dǎo)數(shù);gi為損失函數(shù)L（φ）的一階導(dǎo)數(shù)。

2.2 LightGBM

LightGBM為2017年微軟亞洲研究院開源的模型[11]，是在XGBoost上進(jìn)一步改進(jìn)的，也是基于GBDT算法演變而來的。XGBoost在選擇最優(yōu)分裂點(diǎn)時(shí)需要掃描每一個(gè)樣本點(diǎn)的特征，非常耗費(fèi)時(shí)間和內(nèi)存。LightGBM主要解決了GBDT在大數(shù)據(jù)情況下的問題，讓GBDT更方便用于實(shí)踐。LightGBM采用histogram算法，將樣本浮點(diǎn)特征離散化，進(jìn)行分桶形成K個(gè)整數(shù)特征，同時(shí)構(gòu)造寬度為K的直方圖。在遍歷同時(shí)，將離散值作為累計(jì)索引進(jìn)行統(tǒng)計(jì)，根據(jù)離散值尋找最佳分割點(diǎn)。利用直方圖做差加速，將原本需要遍歷葉子節(jié)點(diǎn)所有數(shù)據(jù)簡化為遍歷直方圖的K個(gè)桶。LightGBM使用帶有深度限制的按葉子生長（leaf-wise）算法，更加高效。每次從當(dāng)前所有葉子中，找到分裂增益最大的葉子進(jìn)行分裂，如此循環(huán)。在分裂次數(shù)相同的情況下，leaf-wise可以降低更多誤差，取得更好的精度。防止產(chǎn)生較深的決策樹，出現(xiàn)過擬合，LightGBM增加了一個(gè)最大深度限制用來防止過擬合。

2.3 CatBoost

CatBoost同樣在2017年由俄羅斯的搜索引擎公司Yandex的研究團(tuán)隊(duì)提出的一種基于boosting的算法[12]。其對類別特征有著很好的支持。一般的梯度提升算法，最常用的是將類別特征轉(zhuǎn)換為數(shù)值型來處理，類別數(shù)量差異較大時(shí)，這種做法容易產(chǎn)生過擬合。CatBoost給出一種解決方案，可以減少過擬合發(fā)生。首先對所有樣本進(jìn)行隨機(jī)排序，原順序?yàn)?c=（c1，…，cn），產(chǎn)生c的一次隨機(jī)遍歷序列，用遍歷的前p個(gè)記錄針對類別型特征中的某個(gè)取值，每個(gè)樣本的該特征轉(zhuǎn)為數(shù)值型時(shí)都是基于排列在該樣本之前的類別標(biāo)簽取均值，同時(shí)加入先驗(yàn)值P和參數(shù)α>0來控制低頻類別噪音，公式如下：

∑pj=1[xj，k-xi，k]·Yi+α·P∑nj=1[xj，k=xi，k]+α。（4）

CatBoost采用排序提升（ordered boosting）的方式替換傳統(tǒng)GDBT算法中的梯度計(jì)算方法，能夠減小梯度估計(jì)偏差，提升模型泛化能力。

3 結(jié)果與分析

3.1 評價(jià)指標(biāo)

混淆矩陣（confusion matrix）是評價(jià)模型精度的標(biāo)準(zhǔn)格式，使用n行n列的矩陣形式表示。矩陣每一列代表預(yù)測值，每一行代表實(shí)際值（表2）。它的作用是表明每個(gè)類別之間是否有混淆，也就是模型到底判斷對了多少個(gè)結(jié)果，判斷錯(cuò)了多少個(gè)結(jié)果。同時(shí)混淆矩陣也能夠幫助理解準(zhǔn)確率、精確率和召回率，并利用F1值綜合衡量精確率和召回率。

3.2 模型結(jié)果比較

利用3種算法XGBoost、LightGBM、CatBoost構(gòu)建迭代次數(shù)1 500次，其余參數(shù)默認(rèn)的基線模型，比較基線模型初步結(jié)果（表3）。

將3個(gè)模型基線結(jié)果的混淆矩陣可視化見圖1。

由混淆矩陣可以很清晰發(fā)現(xiàn)，3種模型對類別0（已脫貧）貧困人口識別效果非常好，均能達(dá)到98%以上的準(zhǔn)確率。對類別1（未脫貧）貧困人口識別稍差，XGBoost與LightGBM可以達(dá)到70%以上，而CatBoost只有61.3%。在對類別2（返貧）的貧困人口識別上，XGBoost最好，能夠達(dá)到66.1%，LightGBM能夠達(dá)到52.6%，有一定的識別能力，CatBoost分類效果較差，幾乎是隨機(jī)預(yù)測，不能夠有效進(jìn)行識別。

3.3 模型調(diào)優(yōu)及分析

根據(jù)基線模型結(jié)果選擇XGBoost和LightGBM等2個(gè)結(jié)果較為相近且效果較好的模型進(jìn)行進(jìn)一步調(diào)優(yōu)比較。

（1）對XGBoost模型采用網(wǎng)格搜索（GridSearchCV）方法[13]以及五折交叉驗(yàn)證進(jìn)行關(guān)鍵參數(shù)調(diào)優(yōu)。最優(yōu)參數(shù)見表4。

XGBoost模型在設(shè)置為表4中最優(yōu)參數(shù)時(shí)，模型在測試集上的總體分類正確率達(dá)到96.87%，相比較基線有1.20%的提升。模型訓(xùn)練的損失及錯(cuò)誤率曲線見圖2。在迭代次數(shù)2 000次后，模型損失和錯(cuò)誤率不再有明顯下降，再增加迭代次數(shù)只會加大模型復(fù)雜度，增加模型過擬合概率。

（2）對LightGBM模型采用網(wǎng)格搜索（GridSearchCV）方法[14]以及五折交叉驗(yàn)證進(jìn)行關(guān)鍵參數(shù)調(diào)優(yōu)。最優(yōu)參數(shù)如表5所示。從表5可以看出，LightGBM模型在設(shè)置中最優(yōu)參數(shù)時(shí)，模型在測試集上的總體分類正確率達(dá)到96.55%，相比較基線有1.31%的提升。模型訓(xùn)練的損失及錯(cuò)誤率曲線見圖3。在迭代次數(shù)2 200次后，模型在驗(yàn)證集的損失有增加趨勢，為過擬合產(chǎn)生的表現(xiàn)，不適宜再增加迭代次數(shù)。

XGBoost模型與LightGBM模型經(jīng)過調(diào)優(yōu)后的各類別指標(biāo)對比結(jié)果（表6）顯示，XGBoost模型在各類別精確率以及召回率上均有微弱優(yōu)勢?；煜仃噷Ρ葓D見圖4，XGBoost模型總體分類準(zhǔn)確率比LightGBM模型高0.32%，對于類別0（已脫貧）和類別1（未脫貧）的分類準(zhǔn)確率差距很小，只有0.2%～

0.3%;對于類別2（返貧）的分類準(zhǔn)確率，XGBoost模型比LightGBM模型高3.7%，有較為明顯的差距，但是其訓(xùn)練運(yùn)行時(shí)間約為LightGBM模型的4倍。

2個(gè)模型的特征重要性評估比較見圖5，XGBoost和LightGBM等2個(gè)模型對特征重要性排序是完全一致的，僅僅是不同特征重要性值不同，排在前5的特征均為平均收入、住址、年齡、家庭勞動(dòng)人口比率以及家庭人口數(shù)。根據(jù)特征重要性反映，在進(jìn)行貧困類別判定時(shí)，更應(yīng)該關(guān)注貧困人口收入、住址、家庭人口數(shù)以及健康醫(yī)療相關(guān)屬性，著力加強(qiáng)這些方面的幫扶能夠幫助貧困人口盡早脫貧。幫扶人員入戶調(diào)查工作中，除填寫一戶一冊幫扶手冊以外還應(yīng)及時(shí)上報(bào)更新幫扶對象的收入、家庭人口健康狀況等信息。通過最新的貧困人口信息經(jīng)由模型判斷貧困人口最新的脫貧狀態(tài)，以及追蹤貧困人口貧困狀態(tài)變化的最新影響因素。

4 結(jié)論

本研究利用團(tuán)隊(duì)精準(zhǔn)扶貧工作中積累的貧困戶建檔立卡數(shù)據(jù)，從中抽取14維特征，構(gòu)建了基于集成學(xué)習(xí)的返貧人口識別模型，采用混淆矩陣、準(zhǔn)確率以及f1值等多指標(biāo)對返貧人口識別模型進(jìn)行了對比分析，基于XGBoost算法的返貧人口識別模型能夠利用建檔立卡數(shù)據(jù)對已脫貧、未脫貧及返貧3類人員分別達(dá)到97.43%、92.44%、97.04%的識別準(zhǔn)確率，總體達(dá)到96.81%的準(zhǔn)確率，能夠較好識別出貧困人口貧困類別。通過構(gòu)建基于集成學(xué)習(xí)算法的返貧人口識別模型，激活精準(zhǔn)扶貧沉淀數(shù)據(jù)，為后脫貧時(shí)代的返貧動(dòng)態(tài)監(jiān)測預(yù)警工作提供實(shí)際案例支持， 對我國由脫貧攻堅(jiān)向全面推進(jìn)鄉(xiāng)村振興平穩(wěn)過渡有重要意義。本研究仍存在不足之處，如對貧困戶數(shù)據(jù)采集維度較少，粒度較粗、數(shù)據(jù)類別存在不均衡等。在今后的防返貧工作中，要協(xié)調(diào)多方部門補(bǔ)充資產(chǎn)、政策補(bǔ)貼等數(shù)據(jù)，做到高時(shí)效、高精度防止返貧監(jiān)測預(yù)警。

參考文獻(xiàn)：

[1]李 洪，蔣龍志，何思妤. 農(nóng)村相對貧困識別體系與監(jiān)測預(yù)警機(jī)制研究——來自四川省X縣的數(shù)據(jù)[J]. 農(nóng)村經(jīng)濟(jì)，2020，457（11）：69-78.

[2]范和生. 返貧預(yù)警機(jī)制構(gòu)建探究[J]. 中國特色社會主義研究，2018，139（1）：57-63.

[3]羅 麗. 基于隨機(jī)森林算法的貧困精準(zhǔn)識別模型研究[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報(bào)（社會科學(xué)版），2019，144（6）：21-29，160.

[4]楊 瑚. 返貧預(yù)警機(jī)制研究[D]. 蘭州：蘭州大學(xué)，2019.

[5]Ermon S. Combining satellite imagery and machine learning to predict poverty[J]. Science，2016（6301）：790-794.

[6]梁 驍，張 明，覃 琳. 一種基于機(jī)器學(xué)習(xí)識別貧困人口的數(shù)據(jù)分析方法研究[J]. 企業(yè)科技與發(fā)展，2017，427（5）：39-41.

[7]魏嫣嬌，易葉青. 基于多源機(jī)器學(xué)習(xí)的脫貧方式智能推薦研究[J]. 信息與電腦（理論版），2019，420（2）：37-39，44.

[8]張 浩. 提升農(nóng)村地區(qū)精準(zhǔn)扶貧效率的多維貧困識別方法[J]. 農(nóng)村經(jīng)濟(jì)與科技，2020，31（6）：199-200.

[9]余 昕，汪早容. “后扶貧時(shí)代”返貧問題及對策[J]. 中國經(jīng)貿(mào)導(dǎo)刊（中），2021，992（1）：109-111.

[10]Chen T，Guestrin C. Xgboost：A scalable tree boosting system[C]//Proceedings of the 22nd Acm Sigkdd International Conference on Knowledge Discovery and Data Mining（Association for Computing Machinery），2016：785-794.

[11]Ke G，Meng Q，F(xiàn)inley T，et al. Lightgbm：A highly efficient gradient boosting decision tree[J]. Advances in Neural Information Processing Systems，2017，30：3146-3154.

[12]Dorogush A V，Ershov V，Gulin A. Catboost：Gradient boosting with categorical features support[J]. Arxiv E-prints，2018.

[13]岳 鵬，侯凌燕，楊大利，等. 基于XGBoost特征選擇的疾病診斷XLC-Stacking方法[J]. 計(jì)算機(jī)工程與應(yīng)用，2020，56（17）：136-141.

[14]陳維剛，張會林. 基于RF-LightGBM算法在風(fēng)機(jī)葉片開裂故障預(yù)測中的應(yīng)用[J]. 電子測量技術(shù)，2020，43（1）：162-168.