机器学习XGBoost算法在医学领域的应用研究进展

机器学习XGBoost算法于2014年提出,其基于boosting算法展开,在许多数据科学大赛上都显示出了极高的可用性和优异性能。目前基于XGBoost算法构建的分类或回归预测模型已经广泛地运用于医疗保健、金融、教育、制造等领域的数据分析中。在医药学领域中XGBoost已广泛应用于疾病诊断以及疾病发生风险、转归与预后、合理安全用药和药物研发的等方面,并且在这些领域中提供了具有极大可能性的解决方案,有助于提高决策的效率和质量,降低假阳性率。同时,XGBoost算法在处理数据缺失值时,能自动学习分裂方向;在处理大型数据集时,能够模拟非线性效应,具有较高的效率和准确性。

基于机器学习XGboost的慢性肾病筛查模型构建

医生在临床工作中,经常发现慢性肾病导致血常规异常的病人非常多,血液与肾病之间存在关联,而利用强大的机器学习算法,可以对慢性肾病与血常规之间的关系进行学习和挖掘。基于此,文章介绍了基于机器学习的疾病决策过程,对 XGboost 算法进行了介绍,采用机器学习的 XGboost 方法,构建了慢性肾病筛查模型。实验结果证明,基于 XGboost 的慢性肾病筛查模型,对血常规数据具有较高的识别率和敏感性,可以作为慢性肾病初步筛查和辅助诊断的一种新方法。

基于机器学习Xgboost模型解决商店商品销量预测的问题

1引言 随着数据信息化的迅猛发展，数据量呈爆炸性增长。如何合理有效地利用企业掌握的数据为企业决策服务成为各企业关注的焦点。[1]因此，本文的研究课题主要针对销量预测。其既可以减少出现热销商品供不应求，冷门商品囤货堆积的现象，进而提高店铺利润。本文以python为主要工具进行数据分析，从多方面构建数据挖掘模型。基于已有的数据分析模型，以及我所掌握的实验所需要的商店商品近5年销量和各方面的数据，应用Xgboost模型挖掘不同维度的属性从而进行预测.

XGBoost-SHAP机器学习可解释框架用于轻度认知障碍分类研究

目的利用机器学习算法对轻度认知障碍(mild cognitive impairment,MCI)亚型分类有利于患者的个性化治疗,而复杂模型常因分类过程的内部机制不可洞察而饱受诟病,本研究借助可解释技术梳理模型的输出结果,以期为相关领域研究者的决策提供统计支持。方法本研究联合极限梯度提升(eXtreme Gradient Boosting,XGBoost)与沙普利可加性(SHapley Additive exPlanations,SHAP)构建可解释性框架,用于遗忘型MCI(amnestic MCI,aMCI)和非遗忘型MCI(non-amnestic naMCI)的分类,并根据联合框架输出结果进行解读。结果联合框架输出aMCI和naMCI的最佳分界值为0.51,XGBoost分类准确率、灵敏度、特异度、F1值、AUC分别为92.81%、94.94%、90.54%、0.93、0.96。SHAP个性化预测结果,7号和31号示例个体被预测为aMCI的概率分别为0.27和0.91;全局性解释结果,不同个体随着CEREALL、ORIENT、CDRSUM、LCMF、RSUPMAR、RMEDORBF、LPOSCENM等指标的shapley值增大,患aMCI的风险越大,上述指标可以解释为aMCI发生的危险因素,而RENT、MMSEORDA、CRAFTVRS等则相反,可以解释为aMCI发生的保护因素。结论XGBoost-SHAP联合框架用于MCI亚型分类效果较为理想,实现了特定个体不同特征预测效果的比较、不同个体给定特征预测能力的判断,为相关研究者打开了洞察复杂模型内在机制的大门。

基于XGBoost算法的机器学习模型在可疑交易监测领域的应用

当前洗钱手段复杂多样、变化迅速,基于规则的传统模型部分失效,可疑交易监测难度加大,对金融机构的可疑交易监测能力提出了新的挑战。文章创新性地提出基于XGBoost算法的机器学习模型在可疑交易监测领域的实际运用,从结果来看,预测效果优于传统模型。同时,文章将算法与业务相结合,分析了模型的可解释性,并提出金融机构应积极运用基于XGBoost算法的机器学习模型、高度重视构造有效特征集合和持续迭代模型参数的工作建议。

机器学习方法在盾构隧道工程中的应用研究现状与展望

随着盾构隧道工程信息化水平的提升,隧道掘进设备作业过程监测技术日益完善,记录的工程数据蕴含了掘进设备内部信息及其与外部地层的相互作用关系。机器学习因其数据分析能力强,无需先验的理论公式和专家知识,相较于传统的建模统计分析方法具有更大的应用空间。通过机器学习方法对收集的信息与数据进行深度挖掘并分析其内在联系,有助于提升盾构隧道工程建设的效率和安全保障水平。简述机器学习方法的基本原理,总结和分析机器学习方法在盾构工程中的应用研究状况,综述基于机器学习的盾构设备状态分析、盾构设备性能预测、围岩参数反演、地表变形预测和隧道病害诊断等5个方面的进展,并分析当前研究的不足。最后,分析盾构隧道工程向智能化方向发展需重点攻克的难题。

基于机器学习的数据库系统参数优化方法综述

参数优化是影响数据库性能和适应性的关键技术,合理的参数配置对于保障数据库系统的高效运行至关重要,但由于参数较多且参数间具有强关联性,传统参数优化方法难以在高维连续的参数空间中寻找最优配置,机器学习的发展为解决这一难题带来新的机遇。通过总结和分析相关工作,将已有工作按照发展时间和特性分为专家决策、静态规则、启发式算法、传统机器学习方法和深度强化学习方法。对数据库参数优化问题进行定义,并说明启发式算法在参数优化问题上的局限性。介绍基于传统机器学习的参数优化方法,包括随机森林、支持向量机、决策树等,描述机器学习方法解决参数优化问题的一般流程并给出一般实现。由于需要大量带标注的数据,传统机器学习模型在适应性和调优能力等方面存在不足。侧重介绍深度强化学习模型的工作原理,定义参数优化问题与深度强化学习模型的映射关系,比较基于深度强化学习的相关工作对数据库性能提升、模型训练时间和涉及的技术,描述基于深度神经网络构建和训练智能体的具体流程。最后,总结已有工作的特点,对当前机器学习在数据库参数优化方面的研究热点和发展方向进行展望,指出多粒度调优、自适应算法和自运维是未来的研究趋势。

基于机器学习的空气源热泵干燥能耗回归预测

为了降低空气源热泵干燥过程能耗,研究了空气源热泵干燥能耗特性,采用多元线性回归模型(multivariate linear regression model, MLRM)和BP神经网络(back propagation neural network, BPNN)模型来预测干燥工艺能耗。在分析干燥能耗影响特征参数的基础上,提出将干燥工艺过程进行切分处理的方法以降低数据获取难度。选取烘房设定温度、烘房设定湿度、烘房初始温度、烘房初始湿度、环境平均温度、环境平均湿度、物料质量和初始含水率8个特征参数作为模型输入,能耗和物料结束含水率作为模型输出。使用MLRM模型、BPNN模型和其他机器学习模型进行能耗预测,MLRM模型对能耗拟合的决定系数为0.739,对物料结束含水率拟合的决定系数为0.931;BPNN模型使用Sigmoid函数作为激活函数时对能耗拟合的决定系数最高,为0.828,使用Identity函数作为激活函数时对物料结束含水率拟合的决定系数最高,为0.942,拟合效果优于其他机器学习模型,能够满足实际生产需求。以复水豌豆为干燥对象设计加载物料65 kg、持续时间4 h的完整变温变湿干燥工艺进行验证试验,结果表明:试验总能耗为15.066 kW·h,MLRM模型和BPNN模型的预测总能耗分别为14.476 kW·h、15.183 kW·h,预测精度分别为96.08%、99.23%;试验结束含水率为8.541%,MLRM模型和BPNN模型的预测结束含水率分别为9.560%、8.889%,预测精度分别为88.07%、95.93%。该研究提出了一种使用MLRM模型和BPNN模型对空气源热泵干燥能耗进行分段精准预测的有效手段,对于优化干燥工艺和降低干燥能耗具有实际意义。

基于机器深度学习的小麦播种机控制系统研究

针对我国小麦播种机自动控制系统的可靠性及灵敏度不高的问题,基于机器深度学习对小麦播种机的控制系统进行了设计和改进。小麦播种机的主要组成包括控制系统、排种系统、监控系统、电力系统、机架和驾驶室、覆土镇压和排肥装置。为了使播种机的控制系统能有效进行图像检测识别,提升播种机的控制精度,采用机器深度学习中的卷积神经网络算法对控制系统进行设计,并采用迁移学习的方式对模型进行训练和检测。为了验证播种机控制系统的性能,对其进行播种精度控制和播种性能测试试验,结果表明:播种机的精度和性能均符合播种机的设计要求。

基于深度学习与机器视觉的起重机吊装安全监测方法

随着我国经济的快速发展,各类大型工程层出不穷,对起重机吊装作业的需求不断增加。然而,吊装作业过程中依然存在众多的安全隐患,极易造成人员伤亡等安全事故。因此,该文提出一种基于深度学习和机器视觉的起重机吊装安全监测方法。将深度学习与机器视觉相结合对监控图像中的被吊物和工人进行识别和定位,同时可自主判断工人是否佩戴安全帽。根据监测模型的识别和定位信息,获得工人与被吊物之间的空间关系,为起重机吊装过程提供安全预警信息。为了提高所提方法的实用性和便携性,开发一个起重机吊装安全智能监测系统,不仅可以实时显示监控图像的识别结果,而且能够输出场景的语义描述、发出安全预警信号。

基于生成式人工智能技术的对话机器人能促进在线协作学习绩效吗?

近年来,人工智能技术迅猛发展,对教育教学产生了巨大的冲击和影响,最引人注目的是基于生成式人工智能技术的对话机器人的兴起。为进一步提高在线协作学习绩效,研究旨在检验基于生成式人工智能技术的对话机器人对在线协作学习绩效、批判性思维意识及其知识激活量和贡献度的影响。研究邀请大学生参与在线协作学习,综合采用定量和定性相结合的研究方法,深度分析对话机器人的影响。研究结果表明,基于生成式人工智能技术的对话机器人不仅在其知识激活量、贡献度方面明显优于传统媒体,而且也能够显著提升在线协作学习绩效和批判性思维意识。文章深入分析和讨论了研究结果,并提出若干启示和建议。

机器学习在膀胱癌影像学诊断中的研究进展

膀胱癌早期诊断和准确分期是提高患者生存率的关键。传统的影像学诊断方法存在一定的局限性,且受诊断医师主观因素影响。近年来,机器学习技术在医学影像领域取得了快速发展,在膀胱癌影像学诊断中也显示出良好的应用前景。现就机器学习应用于膀胱癌分期分级、预后、治疗反应性等方面的研究进展、局限及展望作一综述。

机器学习视角下风味分子研究及其在茉莉花茶中的应用

旨在探讨机器学习在风味分子研究领域的应用,尤其是其在茉莉花茶风味分析中的实践。风味分子的研究是理解和优化食品、特别是茶类饮品味道和品质的基础。机器学习技术的引入为风味分子的识别和分析打开了新的视野。概述了风味分子的基本概念和研究方法,详细讨论了机器学习在解析分子结构与风味特性关系、茉莉花茶品质预测与控制、风味分析、预测与优化、智能化加工等方面的应用,并提出了研究展望,以期为提升茉莉花茶的品质和茶产业发展提供技术支持。

建筑基本周期多因素机器学习预测模型

建筑物基本周期是其最重要的动力特性参数,影响因素众多。受限于曲线拟合的传统建模手段,目前的基本周期预测模型表达式中仅能包含高度或层数等单一因素,而忽略其他因素的影响。数据驱动机器学习方法的出现,为建筑周期多因素预测模型的建立提供了新思路。研究从大量文献中收集整理了2561条建筑周期的实测数据,形成了包含建筑高度、层数、材料、功能、地区等多因素的建筑周期实测数据库。建立了具有自学习能力的建筑基本周期多因素机器学习预测模型,避免了一般机器学习模型中繁琐的参数调节过程,提升模型的鲁棒性和适用性。与传统模型结果的对比表明:所提预测模型的适用结构类型范围广、准确性更高,配合云端服务器可形成一种全新的、开放式自学习的建筑周期预测模式。

新文科背景下基于Blockly的机器学习实验教学平台设计与实现

在新文科建设背景下,针对文科学生编程经验少、机器学习实验上手难的问题,设计并实现一种基于Blockly编程的机器学习实验教学平台。该实验平台由教师管理端、学生实验端、系统管理端和公共模块四部分构成,采用B/S架构,由计算机编程语言Python和可视化编程工具Blockly实现。并以机器学习中的“自然语言处理”为实验教学案例,全面呈现该实验教学平台与实验教学任务结合的具体应用实践。

可信机器学习综述

机器学习技术不断发展,在许多领域都有广泛的应用并展现出超出人类本身的能力。但机器学习方法利用不当或决策存在偏差,反而会损害人们的利益,特别是在一些敏感安全需求高的领域,如金融、医疗等,人们越来越重视机器学习的可信研究。目前,机器学习技术普遍存在一些缺点,如对代表性不足的群体存在偏见、缺乏用户隐私保护、缺乏模型可解释性、容易受到威胁攻击等。这些缺点降低了人们对机器学习方法的信任。尽管研究者已针对这些不足进行了深入探索,但缺乏一个整体的框架与方法系统地提供机器学习的可信分析。因此本文针对机器学习的公平性、可解释性、鲁棒性与隐私4个要素归纳总结了现阶段主流的定义、指标、方法与评估,然后讨论了各要素之间的关系,并结合机器学习全生命周期构建了一个可信机器学习框架。最后,给出了一些目前可信机器学习领域亟待解决的问题与面临的挑战。

基于时间序列相似性与机器学习方法的页岩气井产量预测

页岩气井单变量产量预测存在较强的不确定性,而现场生产动态数据同时包括多个相关指标,针对如何选取合理的多变量数据对页岩气井产量进行预测,在保证计算效率的情况下提高预测精度。页岩气井的生产动态数据集包括日产气量、日产水量、套压、油压、油嘴直径、开井时间和温度等,采用欧式距离和动态时间弯曲距离对生产动态数据时间序列进行相似性度量,依据与日产气量的相关度,把数据分为强相关时间序列和弱相关时间序列;其次,基于卷积神经网络、循环神经网络、长短期记忆网络和门控神经网络分别对全时间序列、强相关序列、弱相关序列和单变量序列进行页岩气井产量预测;最后,以平均绝对误差、均方根误差和决定系数作为评价指标,得到不同序列的误差由小到大排序为强相关序列、全时间序列、弱相关序列、单变量序列,优选的机器学习方法为门控神经网络和长短期记忆网络。结果表明,采用机器学习方法结合页岩气井强相关性序列(日产气量、套压、油压、日产水量)能有效降低预测误差,提高页岩气井产量预测效果。

遥感卫星任务智能决策的机器学习方法研究

基于遥感卫星任务决策的特点,研究如何采用机器学习方法对执行任务时产生的大量动作、指令和遥测数据进行分析和训练。为了给遥感卫星任务建立机器学习方法,探索机器学习辅助遥感卫星任务智能决策的可行性,并探讨机器学习模型对卫星任务数据的适应性和处理效率。借鉴地面相关人工智能系统成熟的机器学习架构,研究建立遥感卫星任务相关智能决策的机器学习方法,并给出了机器学习的样例。研究结果表明:机器学习方法的适应性很强,初步实现了遥感卫星自主任务决策,并达到一定的准确率,对卫星任务智能决策技术进行了有益探索。

积极心理学更智能:机器学习与自发生成数据集的新途径

本文探讨了积极心理学在计算智能快速发展时所面临的具体挑战,分析了机器学习和自发生成数据集在应对这些挑战时的巨大潜力。机器学习可从高维数据中提取与人类认知相关的非线性关系,成为研究人类认知和情感的新途径。自发生成数据集能更真实地反映人类行为和心理过程,为研究者提供高效的研究素材。这些新兴技术为积极心理学提供了全新视角,能更全面地认识人类行为和心理并推动文化差异性研究、理论更新和干预策略评估。未来研究需探索机器学习、自发生成数据集与积极心理学理论的结合,以深入理解人类行为和情感的多样性和复杂性。

基于XGBoost机器学习模型的信用评分卡与基于逻辑回归模型的对比

分别基于逻辑回归模型和XGBoost机器学习模型构建了信用评分卡,比较了两种模型在个人信用评分上的表现,指出XGBoost机器学习模型在“AUC、KS、F1和Accuracy值”上表现更加优秀.首先,从数据的包容性、可解释性以及模型的准确性方面对两个模型进行了对比;其次,使用住房贷款违约风险预测的竞赛数据,分别构建了基于逻辑回归模型和XGBoost机器学习模型的信用评分卡,并使用了AUC、KS、F1和Accuracy来评估这两个模型的分类效果和预测准确程度;最后,通过对比两个模型的评估结果,分析了XGBoost机器学习模型相较于逻辑回归模型更加优秀的原因.结论指出:XGBoost机器学习模型在测试集上的AUC、KS、F1和Accuracy值比逻辑回归模型分别提升了19.9%、17.5%、15.4%和11.9%,其原因在于XGBoost机器学习模型纳入了更多的维度信息、更加科学的缺失值处理方式以及考虑了正则化项的算法原理.