集成学习驱动的Amazon用户评论质量预测（数据集、代码和报告）

简介：
满分15分在当前电商平台环境下，线上购物已成为我们日常生活的重要组成部分。在商品选择过程中，评论质量评估对我们具有重要意义。然而，在众多电商平台上存在评论质量问题严重的问题，部分平台还通过刷好评或发布虚假差评等行为影响市场公正性。因此，对评论质量的预测研究具有重要的现实意义。本案例采用集成学习方法，基于亚马逊实际应用场景中的真实数据集进行评论质量预测，并结合多种特征信息构建预测模型。在本次作业任务中，要求同学们实现以下两个集成学习算法：Bagging和AdaBoost.M1，在其中基础分类器需采用SVM和决策树两种模型。其中需要对比四组不同的性能指标（AUC作为一个常用的分类性能评估指标）。集成学习方法 + 支持向量机算法该集成方法通过 Bootstrap Aggregation 技术结合 决策树 分类器进行分类 AdaBoost.M1 + SVM基于 Adaptive Boosting 算法（第一代）的 Decision Tree Algorithm在集成学习中，核心组件必须手动实现关键算法，而基础分类器则支持使用官方库。基于数据格式构建特征的表达方式汇报不同组合下得到的 AUC基于不同集成学习算法的特性展开深入剖析其表现特征