基于XGBoost算法的胶凝砂砾石劈拉强度预测分析

将水泥质量浓度、砂率、水胶比和粉煤灰质量浓度设为输入变量,28 d劈拉强度设为输出变量,用极端梯度提升树(XGBoost)算法对胶凝砂砾石(CSG)的劈拉强度进行预测,并与随机森林(RF)算法的预测结果进行对比,以决策系数(R^(2))、均方根误差(RMSE)、平均绝对误差(MAE)和平均百分比误差(MAPE)作为评估标准对2种算法进行对比分析.结果表明:XGBoost算法的R2为0.968 1,具有高度的预测准确性;相比表现良好的RF算法,XGBoost算法测试集的RMSE和MAE均降低了0.003, MAPE降低了0.32%,表明XGBoost算法能够对CSG劈拉强度进行更为精准的预测.

基于Stacking模型融合的胎儿健康状态智能评估

目的研究机器学习算法评估妊娠期间胎儿在子宫内的状态,提出一种基于Stacking模型融合的胎儿宫内状态智能评估新方法。方法在特征选择阶段,运用极端梯度提升树与热力图对公开的胎心数据集分析,选择出最优特征子集。在分类阶段,运用一种两层Stacking模型融合新方法对胎儿进行评估,第一层集合5种强机器学习模型来训练,第二层采用Logistics回归模型。结果运用胎心数据测试集来验证,分类准确率达0.950,受试者曲线下面积达0.980。结论基于Stacking模型融合的新方法可辅助临床医师对胎儿宫内健康状态进行诊断。