A Boosted Tree-Based Predictive Model for Business Analytics

Business Analytics is one of the vital processes that must be incorpo-rated into any business.It supports decision-makers in analyzing and predicting future trends based on facts(Data-driven decisions),especially when dealing with a massive amount of business data.Decision Trees are essential for business ana-lytics to predict business opportunities and future trends that can retain corpora-tions’competitive advantage and survival and improve their business value.This research proposes a tree-based predictive model for business analytics.The model is developed based on ranking business features and gradient-boosted trees.For validation purposes,the model is tested on a real-world dataset of Universal Bank to predict personal loan acceptance.It is validated based on Accuracy,Precision,Recall,and F-score.The experimentfindings show that the proposed model can predict personal loan acceptance efficiently and effectively with better accuracy than the traditional tree-based models.The model can also deal with a massive amount of business data and support corporations’decision-making process.

基于机器学习的居民贫困风险预测模型研究--以某地区贫困户统计数据为例

本文指出居民贫困风险预测对于保障社会和谐稳定具有重要意义。本文基于机器学习技术,利用某地区贫困户的多维度统计数据,构建了贫困风险预测模型。通过对户主信息、家庭特征、致贫原因、生产条件等的综合分析,模型能够精准识别潜在贫困风险群体,提高扶贫工作的针对性和有效性。这不仅为政策制定提供了科学依据,有助于实现精准扶贫,促进地区可持续发展,也为其他类似地区的贫困风险预测提供了借鉴和参考,具有重要的理论意义和实践价值。

露天矿作业区无人矿车协同通行决策方法研究

露天矿无人矿车在装卸载作业区内运输过程中的长时间停车等待是制约露天矿无人运输系统效率提升的瓶颈。为提高无人矿车的运输效率,本文结合作业区内的运输作业流程,提出一种基于动态可行驶距离的多车协同通行决策方法。首先,将决策模型建模为混合整数线性规划(Mixed Integer Linear Programming, MILP)模型,表述优化目标和问题约束;其次,考虑到求解MILP模型存在难以满足动态决策实时性的问题,基于蒙特卡洛树搜索(Monte Carlo Tree Search,MCTS)实现多车冲突消解,核心思想是利用搜索树的推演能力进行多车通行前瞻模拟,计算多车的最优通行优先级,动态调整多车的可行驶距离;此外,根据无人矿车在作业区内的作业特征设计不同的MCTS节点价值函数,实现综合考虑运输效率与作业特征的通行优先级排序;最后,设计作业区4,8,12个停车位场景下的多车通行仿真实验,与基于先到先服务(First-Come-FirstServed, FCFS)的方法进行对比,吞吐量提升22.03%~28.00%,平均停车等待时间缩短31.71%~50.79%。同时,搭建微缩智能车辆的6停车位作业区场景实验平台,多车单次运输作业总用时相比FCFS缩短了18.84%。仿真与微缩智能车辆的实验结果表明,本文提出的方法能够提升露天矿作业区多车运输效率。

决策树技术在成矿预测中的应用--以新疆中天山沙垄以西铅锌矿远景区优选为例

选取新疆中天山沙垄以西地区开展铅锌矿成矿预测研究,将决策树技术引入到成矿预测中。通过区域成矿规律分析,选取不同构造单元中数据较为完整、具有代表性的典型矿床,建立综合信息预测模型,采用决策树技术中的ID3算法构建决策树,在ERDAS IMAG ING 8.7平台上建立分类决策树,开展铅锌远景区预测。经野外验证,预测区与已知矿化区吻合度较高,证实该方法在成矿预测中是可行的。

基于可解释性机器学习的战术判定预测智能决策技术

针对机器学习的黑盒性带来的战术决策可解释性差的问题,研究了基于可解释性机器学习的战术判定预测智能决策技术。通过阐述战术预测的概念结合战术预测典型特征构建了预测模型,介绍了采用可解释性监督学习方法进行智能决策的优势。从可解释性树模型和智能优化算法2个路线阐述其原理,分析了在战术预测领域的研究现状;从二者结合的角度验证了其对战术预测的促进作用,展望了可解释性机器学习的未来发展趋势。

基于Double-Bagging决策树的基因微阵列数据研究

Bagging通过组合不稳定的分类器在很大程度上降低了"弱"学习算法的分类误差。基于Torsten等人提出的Double-Bagging算法,本文对其加以修改并应用于基因微阵列数据的处理。在给定的训练数据集和测试集上试验并比较了多种分类器,结果表明Double-Bagging决策树分类精确度优于Bagging决策树和C4.5算法。

基于改进Hilbert-Huang变换的电能质量扰动定位与分类

为了精确实现电能质量扰动的定位和分类,提出了一种基于改进的Hilbert-Huang变换(Hilbert-Huang transform,HHT)的电能质量扰动辨识新方法。对传统HHT得到的幅频参数运用极值滑窗均值算法进行去极值均值化处理,提高了在Hilbert-Huang谱中判断扰动发生和结束时刻的精确性。通过新方法求出幅频曲线、Hilbert-Huang谱和Hilbert边际谱并从中提取扰动的频率成分、持续时间、电压幅值和Hilbert-Huang谱幅值4个特征量,以实现扰动的分类与辨识。仿真结果表明:改进HHT和决策树的结合不仅适用于单一扰动的定位与分类,对复杂非平稳扰动也能取得较好的效果,具备一定的抗噪能力。

An Expert System Based on Multi-reasoning Mechanism for Port Machine Diagnosis

Expert system plays an important role in port machine diagnosis, which aims at automatic equipment test for higher availability and efficiency of port operations. In this study, a port machine diagnosis expert system is proposed based on multi-reasoning mechanism. Relying on the knowledge acquired from the experienced experts in the port machine engineering, the system builds a library of relative experience and a set of rules of reasoning and estimating. Multi-reasoning mechanism that simulates the decision-making process of domain experts is employed to achieve reliable diagnosis results. The reasoning machine integrates artificial neural network, uncertain decision making and decision tree, which complements each other by sustainable growing voting mechanism. The effect of this multi-reasoning mechanism is evaluated and validated by means of Matthew＇s Correlation Coefficient （MCC）. The system incorporating the mechanism is successfully designed, implemented and applied in Shanghai Port.

改进的风险决策及NSGA-Ⅱ方法在马莲河流域水资源综合管理中的应用

将马莲河流域系统概化为5个水资源分区,采用指标分析法进行2020和2030年供需水量预测和平衡分析。利用改进的决策树法进行风险分析,将专家咨询概率法引入到决策树敏感性分析中,最终得到2020、2030年的推荐水资源供需分配方案。然后,利用系统分析理论和优化技术建立了流域的大系统、多目标水资源优化配置模型,并采用优化的NSGA-Ⅱ方法进行求解,得到流域2030年推荐水资源配置方案下的最佳分配方案。最后,根据最佳分配方案和预测的流域需水量,进行了流域的水资源平衡分析,通过平衡分析的结果进行流域的综合管理研究。最佳配置方案实现了流域内水资源的最优分配,使宝贵、有限的水资源产生最大的社会、经济及环境效益,为流域经济、能源产业的快速发展提供水资源保障。

Condition Monitoring of Roller Bearing by K-star Classifier andK-nearest Neighborhood Classifier Using Sound Signal

Most of the machineries in small or large-scale industry have rotating elementsupported by bearings for rigid support and accurate movement. For proper functioning ofmachinery, condition monitoring of the bearing is very important. In present study soundsignal is used to continuously monitor bearing health as sound signals of rotatingmachineries carry dynamic information of components. There are numerous studies inliterature that are reporting superiority of vibration signal of bearing fault diagnosis.However, there are very few studies done using sound signal. The cost associated withcondition monitoring using sound signal (Microphone) is less than the cost of transducerused to acquire vibration signal (Accelerometer). This paper employs sound signal forcondition monitoring of roller bearing by K-star classifier and k-nearest neighborhoodclassifier. The statistical feature extraction is performed from acquired sound signals. Thentwo-layer feature selection is done using J48 decision tree algorithm and random treealgorithm. These selected features were classified using K-star classifier and k-nearestneighborhood classifier and parametric optimization is performed to achieve the maximumclassification accuracy. The classification results for both K-star classifier and k-nearestneighborhood classifier for condition monitoring of roller bearing using sound signals werecompared.

A version of Geiringer-like theorem for decision making in the environments with randomness and incomplete information

Purpose-The purpose of this paper is to establish a version of a theorem that originated from population genetics and has been later adopted in evolutionary computation theory that will lead to novel Monte-Carlo sampling algorithms that provably increase the AI potential.Design/methodology/approach-In the current paper the authors set up a mathematical framework,state and prove a version of a Geiringer-like theorem that is very well-suited for the development of Mote-Carlo sampling algorithms to cope with randomness and incomplete information to make decisions.Findings-This work establishes an important theoretical link between classical population genetics,evolutionary computation theory and model free reinforcement learning methodology.Not only may the theory explain the success of the currently existing Monte-Carlo tree sampling methodology,but it also leads to the development of novel Monte-Carlo sampling techniques guided by rigorous mathematical foundation.Practical implications-The theoretical foundations established in the current work provide guidance for the design of powerful Monte-Carlo sampling algorithms in model free reinforcement learning,to tackle numerous problems in computational intelligence.Originality/value-Establishing a Geiringer-like theorem with non-homologous recombination was a long-standing open problem in evolutionary computation theory.Apart from overcoming this challenge,in a mathematically elegant fashion and establishing a rather general and powerful version of the theorem,this work leads directly to the development of novel provably powerful algorithms for decision making in the environment involving randomness,hidden or incomplete information.

基于食堂消费大数据分析的精准资助对策研究——以湖南科技大学为例

高校家庭经济困难大学生的精准认定一直是高校资助工作中的难题,大数据分析为解决这一难题提供了方法论支撑。高校食堂的消费数据是大学生消费大数据的重要组成部分,利用大学生食堂消费大数据提升学生的精准化认定和资助,是当前一个热点。以湖南科技大学为例,利用大学生食堂就餐率和平均消费额数据进行统计分析,提出贫困大学生认定和资助基本方案,并以此为基础开展访谈与座谈调研,进行探究学生就餐率与就餐满意度关系的问卷调查,提出更加科学和精准的数据分析指标,建立食堂消费大数据分析的“决策树模型”,提升资助精准度。

面向树木保护专章的决策分析平台设计与实现

以基于天地图树木保护专章的决策分析平台建设为例,详细介绍了面向树木保护专章和古树名木保护的功能设计与实现,满足了对古树名木的保护以及工程建设过程中对树木保护专章管理,树木调绘成果报表自动化生产,为领导或相关部门分析决策提供翔实准确的实时数据保障。

随机森林算法下列表级排序学习推荐系统设计

为满足用户在信息过载情况下的隐式查询需求,设计随机森林算法下列表级排序学习推荐系统。用户登录系统后在用户层各界面操作产生操作信息,通过控制层将用户操作信息传输至处理层;由处理层数据采集模块采集用户感兴趣信息及数据,并将数据统一储存至数据层人机交互信息数据库中,处理层信息推荐模块依据数据层中人机交互信息数据,采用排序学习算法构建列表级排序学习推荐列表,利用随机森林算法作为构建推荐列表的学习方法,选取输出类别最多的决策树作为系统推荐结果;控制层将推荐信息传输至用户层推荐界面完成推荐系统对用户的专属信息推荐。系统测试结果表明,该系统可实现用户偏好内容推荐,推荐准确率为0.9以上,系统整体性能较好。

基于属性偏差控制的大数据挖掘方法研究

信息化时代为人类提供十分丰富的数据信息,以供人们在生产和生活中加以选择和使用。但是海量数据导致挖掘过程困难,耗费更多的时间、导致工作效率下降。为此,该文在传统决策树模型数据挖掘方法的基础上,将信息熵判断属性差异改进为利用信息熵增减偏差来判断属性差异。这种处理只保留和目标属性同向变化的属性,减少无效属性的参与。以客运飞机数据集合为对象展开挖掘实验,同时使用飞行记录情况、引擎情况和载客容量类别等属性。实验结果表明,与传统决策树模型数据挖掘算法相比,用该文提出的方法来构建的决策树更加精简,挖掘效率更高,执行速度更快。

基于机器学习算法的餐饮企业客户流失预测

客户流失是餐饮企业普遍面临的问题,机器学习技术能为餐饮企业提供便捷的数据分析工具,餐饮企业可根据客户基本信息及消费产生的订单信息构建客户流失特征,结合分类算法中的决策树算法与支持向量机算法预测客户流失,调整销售策略,从而减少客户流失,提高餐饮企业的收益。经过实验证明,支持向量机算法能更准确地预测出准流失的客户,更适合进行餐饮企业客户流失预测,对餐饮企业针对性挽留客户策略的实施具有指导作用。

基于多模态超声建构甲状腺乳头状癌决策树模型及其应用价值

目的分析基于多模态超声建构甲状腺乳头状癌决策树模型及其应用价值。方法选择甲状腺乳头状癌患者106例作为研究对象。多模态超声的甲状腺乳头状癌指标有位置、形态、大小、边界、内部回声、血流分布、淋巴结转移、分级、分期、累及位置共11项指标。在计算机上使用SPSSClementine12.0软件将106例患者的超声指标建模进行分析,包括logistic回归分析和决策树模型。在数据基础上,使用已经筛选的超声指标作为建立数学模型的输入指标,病理诊断结果作为输出,成为建模的金标准。采用SPSS 20.00随机抽取106例患者样本的50%作为训练集,另50%作为预测集验证模型优劣。建模过程分为训练集和测试集2个分支流。训练集先将随机抽样得到的70%的数据资料分别建立Logistic回归与决策树2个数学模型。结果决策树在训练集结果中正确率明显高于Logistic回归(P<0.05)。决策树在测试集结果中正确率明显高于Logistic回归(P<0.05)。决策树灵敏度、特异度和准确度均高于Logistic回归(P<0.05)。Logistic回归的AUC面积为0.554(95%CI:0.392~0.717);决策树的AUC面积为0.810(95%CI:0.676~0.943);决策树诊断的检验准确性更高。结论决策树模型用于多模态超声建构甲状腺乳头状癌诊断具有较好的价值,建议使用。

正流量液压挖掘机行走跑偏诊断序列决策

针对正流量液压挖掘行走跑偏的问题,提出一种基于T-S故障树的故障诊断最优序列多属性决策方法。研究正流量液压挖掘机行走液压系统,分析行走跑偏成因。最后,将基于T-S故障树的故障最优诊断序列多属性决策方法应用于正流量液压挖掘机行走跑偏分析,利用T-S故障树求解正流量挖掘机行走液压系统各元件的概率重要度作为故障诊断排序的重要依据,利用多属性决策方法生成最优诊断序列,对快速精准、最小代价定位正流量液压挖掘机行走跑偏故障源起重大作用。

计算机技术在现代企业决策中的应用研究

计算机技术在现代企业决策中具有重要的应用价值,通过使用大数据技术、神经网络、云计算等技术,可以提高企业决策的效率和准确性。文章通过分析现代企业决策面临的挑战以及计算机技术为其带来的机遇,阐述计算机技术在企业决策中的相关应用,进而对基于计算机技术的现代企业决策系统的构建思路进行探讨。

基于关联规则的网络漏洞信息数据挖掘方法

为提高对网络漏洞信息数据的挖掘效率,提出关联规则下网络漏洞信息数据的挖掘方法。通过粒子群空间聚类算法生成关联规则,构建决策树挖掘漏洞,建立适应度函数来评价漏洞信息数据的挖掘效率,完成对网络漏洞信息数据的有效挖掘。实验结果表明,运用该方法挖掘网络漏洞信息数据时,构建决策树所消耗的时间较短,挖掘方法效率较高,能够有效处理大量的数据集。