基于ER Rule的多分类器汽车评论情感分类研究

该文针对汽车评论语料的情感二分类问题,提出一种基于证据推理规则的多分类器融合的情感分类方法。在情感特征构建方面,通过实验对比不同特征模型对分类结果的影响,并改进传统的TFIDF权重计算方法。同时,在此基础上使用ER Rule融合不同分类器进行文本情感极性分析,并考虑各分类器的权重和可靠度。最后,爬取汽车网站上的评论数据对上述方法进行测试,并用公开的中文酒店评论语料数据进行了验证,结果表明该方法能够有效集成不同分类器的优点,与传统机器学习分类算法相比,其结果在Recall,F1值和Accuracy三个指标上得到了提高,与目前流行的深度学习算法和集成学习算法相比,其结果总体占优。

基于XGBoost算法的人—虎共存区域风险等级划分

以2014—2019年珲春地区红外相机拍摄的东北虎数据为基础,基于XGBoost算法构建了虎出没区域风险等级划分模型。由模型检验可知:模型的准确率为93.51%,精确率为93.85%,召回率为93.08%,F1值为93.31%,Cohen s Kappa统计系数为90.2%。研究结果表明:基于XGBoost算法构建的人-虎共存区域风险等级划分模型分类效果好、预测准确度高,运用该模型对人-虎共存区域进行风险等级划分是可行的。

基于XGBoost算法的v_(P)/v_(S)预测及其在储层检测中的应用

鄂尔多斯盆地碳酸盐岩地层蕴含着丰富的油气资源。在勘探实践中发现,大牛地气田马家沟组断层发育、断距小,类型多样且成因复杂,给勘探、开发带来了较多挑战。为了应对这些挑战,提高储层预测的精度变得至关重要。在分析大牛地气田敏感弹性参数的基础上,建立地震属性与储层纵横波速度比(v_(P)/v_(S))的关系,提出一种基于XGBoost算法的地震多属性v_(P)/v_(S)预测方法。为了进一步提升XGBoost算法的预测精度和泛化能力,采用贝叶斯算法对XGBoost算法的超参数进行优化,从而找到最佳的超参数组合,以确保模型在训练集和测试集上的性能均能得到提升。将XGBoost算法应用于Marmousi 2模型进行横波速度预测,预测值与实际值相关系数超过0.88,而均方误差、平均绝对百分比误差分别低于6.55×10^(-7)和4%,验证了该方法的准确性和可靠性。在鄂尔多斯盆地大牛地气田,应用该方法获得的v_(P)/v_(S)成功识别出含气储层,结果与实际钻井数据一致。理论模型和实际数据应用结果表明,XGBoost作为一种强大的机器学习算法预测精度较高,为直接由叠后地震属性预测v_(P)/v_(S)提供了一种有效的途径。

基于贝叶斯优化XGBoost算法的电影评分预测研究

电影评分是反映观众对电影喜爱程度的重要依据。针对当前电影评分预测模型涵盖影响电影评分特征因素不足、预测准确率不高、模型过于简化等问题。为解决这些问题提出了一种基于贝叶斯优化XGBoost算法预测模型。该模型整合了影响电影评分的13个关键因素。首先收集电影网站数据,并进行数据预处理和文本向量化等操作,然后结合优化的贝叶斯算法筛选出与电影评分高度相关的特征,并进行最佳参数确定,最后根据最佳参数评估模型。实验表明,评价指标中的决定系数由优化前的0.577提升到0.763,增加了32.2%,均方误差和平均绝对误差分别降低了44.1%和29.7%。因此该模型具有较高的预测准确性,有望在实际应用中取得良好效果。

基于XGBoost算法的低渗透致密气井动静一体化分类模型

子米气田为典型的低渗透致密气田,不同气井储层物性及生产特征差异大,开发策略亟需改善。针对该问题,提出了一种基于XGBoost算法的致密气井分类方法。通过计算特征参数的皮尔逊相关系数,判断4个动态、5个静态特征参数与气井产能的相关程度,以此确定模型的输入特征。然后基于XGBoost算法,通过参数优化,完成模型训练并对子米气田进行气井分类。研究表明:影响气井分类的主要因素为生产配产、原始地层压力、有效厚度、孔隙度和无阻流量;子米气田1、2类气井产能主要受到储层厚度和基质渗透率的影响,3类气井产能主要影响因素为有效厚度和含气饱和度;与专家划分结果相比,模型分类结果准确率为92.3%。该研究提高了气井分类实效性,降低了人为主观性,分类结果切合矿场实际,对气井分类管理和开发策略的制订有一定的指导意义。

基于随机森林和XGBoost算法的房地产行业上市公司财务绩效预测研究

研究旨在深入探讨随机森林、XGBoost及其集成算法在预测房地产上市公司财务绩效方面的应用,选取了2008—2021年38家房地产公司的年度财务数据,依据4个关键财务指标,构建了预测净资产收益率(ROE)的回归和分类模型。实证结果揭示,相较于单一预测模型,集成模型在预测准确性和稳定性上均表现优秀。该研究在方法论和实证分析方面提供了有价值的视角,为未来在预测模型构建、特征选择以及算法应用方面的研究提供了有益的指导和参考。

基于ADASYN-XGBoost算法的光伏出力预测研究

随着光伏发电大规模并入电网,由此产生的源端可供电量不确定性问题日益突出,精准预测光伏出力,对电网资源优化配置、提升光伏消纳能力起着关键的支撑作用。通过研究影响光伏出力的关键要素,以历史气象特征数据为输入构建光伏出力预测模型,在实践过程中,对存在的主客观问题,从算法层面进行了模型优化。(1)针对光伏电站历史运行样本量小、气象特征变化多,导致诸多稀疏特征样本的问题,引入了ADASYN自适应采用算法,进行数据集重平衡;(2)通过XGBoost算法搭建了基于气象特征的光伏出力模型,并与传统的BP神经网络进行比较。通过某光伏电站的实际历史数据预测结果比较,结合ADASYN过采样和XGBoost算法,能有效提升模型的准确性;较BP神经网络相比,ADASYN-XGBoost算法的MAE、RMSE、MAPE和R2分别提高了66.7%、68.9%、58.0%和1.6%,评估指标明显优化。

基于XGBoost算法的船舶油耗预测模型

船舶油耗预测是实现船舶能效评估与优化决策的基础与前提,对船舶航线航速设计,实现船舶能效优化有重要的意义。基于船舶实测航行数据和环境数据,通过相关性分析提取对船舶油耗影响较大的特征因素,并将特征因素作为模型的输入参数;通过数据清理技术并参照相关国际标准对特征因素进行筛选,得到建模的样本数据;把样本数据按0.8∶0.2的比例随机分为训练样本和测试样本,采用XGBoost算法建立油耗预测模型,并通过预测测试样本的油耗验证模型的准确性。该模型决定系数达到0.967,运行时间为2.723 s,与神经网络模型的准确率几乎一致且运行时间缩短了70%,适用于船舶航行决策中的油耗快速计算和实时预测。

基于GWO-XGBoost的工业污水水质关键数据预测算法

为解决XGBoost模型参数调整复杂和预测水质数据准确率低的问题,设计了一种基于灰狼算法(GWO)优化XGBoost的预测算法。首先利用灰狼优化算法全局寻参收敛能力强的优点,使用GWO优化XGBoost的超参数(最大生成树数目、学习率以及树的最大深度)进行优化,获取XGBoost的最佳预测表现。其次通过对水质关键数据的预处理提高数据的可靠性,使用多种算法进行对比分析实验。结果表明:与LSTM、未经GWO优化参数的XGBoost相比,采用灰狼算法优化后的XGBoost模型具有较好的非线性预测能力,模型的决定因数R^(2)达到0.85以上。

应用XGBoost算法的随机缺失地震数据重建

随着勘探目标的构造和地表地质条件的日趋复杂,地震数据经常存在不规则和不完整的问题,给后续的处理带来严重困难。针对这一难题,文中提出了一种基于XGBoost算法的地震数据重建方法。该方法从局部学习的角度出发,针对随机缺失的地震道,在其周围选择一定数量的相邻地震道作为参考。通过构建这些参考地震道的道号、采样点号与数值之间的回归模型,能够精确学习并重建出缺失地震道的数据。为全面评估该方法的性能,对模拟数据不同地震道缺失情况下进行了实验,并与基于U-net卷积神经网络和基于凸集投影的Curvelet算法等重建方法进行比较。实验结果表明,基于XGBoost算法的重建方法对随机缺失地震数据重建具有较高的精度。实际数据处理结果表明,该方法能够为后续地震资料处理提供高精度的规则炮集数据。

面向投票类AI分类器的零冗余存储器容错设计

投票类分类器广泛应用于多种人工智能(Artificial Intelligence,AI)场景,在其电路系统中,用于存储已知样本信息的存储器易受到辐射、物理特性变化等多种效应影响,引发软错误,继而可能导致分类失败。因此,在高安全性领域应用的AI分类器,其存储电路需要进行容错设计。现有存储器容错技术通常采用错误纠正码,但面向AI系统,其引入的冗余会进一步加剧本就面临挑战的存储负担。因此本文提出一种零冗余存储器容错技术,采用纠正错误对分类结果的负面影响而非纠正错误本身的设计思想,利用错误造成的数据翻转现象恢复出正确的分类结果。通过对k邻近算法进行实验验证,本文提出的技术在不引入任何冗余的情况下可达到近乎完全的容错能力,且相比于现有技术,节省了大量硬件开销。

基于XGBoost算法的烤烟采收成熟度图像识别

【目的】为实现智能精准识别烟叶采收成熟度。【方法】以云烟87为试验材料,利用OpenCV和灰度共生矩阵(GLCM)提取图像特征,构建极限梯度提升(XGBoost)算法模型从而实现对鲜烟叶成熟度识别。【结果】①鲜烟叶图像特征中,R(红,red)、G(绿,green)、B(蓝,blue)分量和ASM(角二阶矩)随着成熟度的增加呈现较为明显的上升趋势,其他图像特征变化不显著;②经F分数(F-score)、AUC值(受试者工作特征曲线与坐标轴之间的面积)和准确率逐步筛选,得出R1(R分量均值)、G1(G分量均值)、B1(B分量均值)、S2(S分量方差)和B2(B分量方差)等5个特征参数,据此建立的XGBoost算法模型对烟叶成熟度识别准确率达到95.85%,比22维特征参数建模的准确率高0.41%,比BP神经网络模型高4.71%。【结论】基于机器视觉下的XGBoost算法可准确、高效地识别鲜烟叶成熟度。

基于参数优化VMD与XGBoost算法的玉米蛋白粉价格预测

玉米蛋白粉价格稳定对饲料工业可持续发展和国家粮食安全具有重要意义,但其价格序列具有非平稳、非线性特征,难以精确预测。试验旨在基于XGBoost算法,构建玉米蛋白粉价格预测模型。首先,利用鲸鱼算法(WOA)优化变模分解(VMD)的K值和惩罚参数,对原始价格序列进行自适应分解,降低数据噪声。其次,将Pearson特征筛选后的变量作为极限梯度提升树(XGBoost)模型的输入,进行训练和测试。最后,使用10折交叉验证和学习曲线检验模型性能,并结合SHAP模型分析关键影响因素的非线性效应。结果显示,上一期豆粕期货价格对本期玉米蛋白粉价格波动具有显著的正向影响。研究表明,贝叶斯算法(BO)优化的XGBoost模型具有较好的预测性能,优于基准模型。

基于XGBoost算法的商用车驾驶风险辨识模型

驾驶员作为交通事故的重要诱因,其一系列风险驾驶行为对道路交通安全具有重要影响。针对当前驾驶风险等级分类不合理、辨识精度低等问题,提出一种商用车驾驶风险辨识模型。即首先从车辆状态、驾驶状态、驾驶员操作三个方面,共建立18个能够表征商用车驾驶风险的特征参数;采用因子分析法(FA)对特征参数降维优化,并生成蕴含更为明确风险驾驶行为信息的综合变量;接着应用K-means聚类算法分别将风险驾驶行为特征聚为2、3和4类并对比分析,结合肘部法则和轮廓系数综合确定最佳的聚类数目k,消除人为经验确定k值主观性强的缺陷;最后,利用极端梯度提升(XGBoost)算法对商用车驾驶风险进行识别,并与决策树、随机森林、K近邻等算法在精度上进行比较。研究结果表明:在上述研究条件下XGBoost算法对商用车驾驶风险的理论识别率最高可达98%,该结果对于自动驾驶辅助系统的设计、道路交通安全性的提升具有重要意义。

XGBoost算法在河北省GPM卫星降水数据降尺度中的应用

针对GPM卫星降水产品分辨率相对较低问题,本研究引入XGBoost(eXtreme Gradient Boosting)回归算法,旨在改善河北省GPM降水数据的分辨率水平和应用精度。基于地形变化、土地利用、NDVI应用、经纬度和地面降水数据构建XGBoost的回归模型,然后运用网格搜索法进行参数优化,进而对河北省2020年GPM数据进行降尺度,利用独立验证点进行精度评估。结果表明,降尺度后的GPM数据与地面降水量在年尺度上具有高一致性,其R2达到了0.88,MAE(Mean Absolute Error,平均绝对误差)和RMSE(Root Mean Square Error,均方根差)分别为62.07 mm和85.72 mm。相比原始GPM数据,降尺度后的GPM数值精度R2提升了4.55%,MAE和RMSE分别降低了70.23%、71.14%。XGBoost模型能准确拟合星地多源降水数据之间非线性规律,在低精度、低分辨率GPM降水数据降尺度处理方面具有广阔应用前景。

基于XGBoost算法的吉林省强对流天气分类识别研究

利用2016—2021年吉林省C波段雷达回波产品和ERA5再分析资料,基于人工智能集成算法XGBoost,构建了分类识别的3类强对流天气(冰雹、短时强降水和雷暴大风)模型。研究表明,3类强对流天气的平均命中率(POD)为81.73%,平均临界成功指数(CSI)为69.43%,平均空报率(FAR)为17.99%。POD最高为短时强降水的87.50%,CSI最高为雷暴大风的74.19%,FAR最低为雷暴大风的14.81%,其中短时强降水和雷暴大风的评分结果接近。特征值结果显示,风暴最大反射率因子顶高(MCRT)、风暴移动速度(SPEED)、风暴最大反射率下降高度(DCRH)、风暴最大反射率因子(MCR)和600 hPa温度场对于本文构建的XGBoost模型判别强对流类别的重要性最高。总体来说基于XGBoost算法构建的模型对强对流天气分类较为理想,在未来的强对流天气自动化识别、预警及预报的工作中具有广阔的应用前景。

基于逻辑回归的近邻分类耦合算法在医学骨科分类应用

随着现代医学的迅速发展,生物力学可以用来模拟人体机械组成各部分之间的关系,根据骨科患者的生物力学特征可以预测患者的症状类别,为临床诊断提供依据。文章为进一步提高预测分类的准确性,结合机器学习理论以最近邻算法分类及逻辑回归耦合算法来进行医学方面的骨科分类,通过双算法准确度判断的耦合结果进行进一步判断,丰富算法的计算维度,进一步提高了分类准确率的精度。

基于MSSA-XGBoost小样本核爆地震事件分类

核爆地震与天然地震事件的分类鉴别是全面禁止核试验条约中的一项重要任务。受限于核爆数据数量缺乏,论文研究了XGBoost模型在小样本场景下两类事件的分类问题,并利用SSA算法对模型关键超参数进行自主寻优。同时针对SSA算法的不足,采用高斯混沌映射方法、提出种群比例动态调整策略和引入步长调整因子进行改进,构建了MSSA-XGBoost分类模型。模型解决了初始种群分布不均匀,导致种群多样性减少,影响算法收敛速度的问题;解决了麻雀种群比例固定,容易陷入局部最优解的问题;以及解决了发现者位置更新步长固定,从而限制算法全局搜索能力与寻优效率的问题,实现了避免人工特征提取和XGBoost迭代次数、最大树深以及学习率三个重要超参数的自主寻优,在小样本地震事件分类中取得了优异的效果。实验结果表明,MSSA-XGBoost模型分类准确率达到了96.37%,优于原模型93.47%,也优于支持向量机与卷积神经网络,同时较原始模型计算效率提升了近30%。

基于多特征和XGBoost算法的煤矿瓦斯浓度预测

煤矿瓦斯事故的发生与瓦斯浓度变化密切相关,准确预测瓦斯浓度变化对于预防瓦斯事故具有重要意义。虽然研究人员对煤矿瓦斯浓度预测进行了广泛的研究,但由于煤矿井下瓦斯浓度变化受多种复杂因素影响,表现出不稳定性和非线性,给预测带来很大困难。近年来,基于深度学习的预测算法由于其良好性能而逐渐得到关注,一方面,随着数据量的增加,基于深度学习的预测方法需要更多训练时间,易导致过拟合现象的发生。另一方面,现有大多数深度学习模型通常只考虑历史瓦斯浓度,输入特征过于单一。为了解决上述问题,本文提出了一种基于多特征和XGBoost算法的瓦斯浓度预测模型,该模型可以同时将历史瓦斯浓度、温度、风速等特征作为模型的输入,并依据XGBoost模型内置的梯度提升算法和决策树提升模型的训练速度。实验结果显示,本文所提出的预测方法比现有深度学习模型的瓦斯浓度预测误差更小,训练速度更快。

基于XGBoost算法的中国露营地空间分布特征及其影响因素研究

综合运用最邻近指数、核密度分析、标准差椭圆、Getis-OrdG^(*)_(i)指数和XGBoost机器学习等方法,探讨了中国露营地的空间分布格局特征、影响因素以及不同城市露营地建设适宜性。结果表明:①中国露营地分布呈现集聚特征,整体分布上表现为“东聚西散、南多北少”,呈“多核心-多轴线”的空间格局,区域及省际分布差异性显著,在京津冀、长三角、珠三角和川渝四大区域形成集聚区;②中国露营地空间分布特征受自然条件、旅游资源禀赋和社会经济环境的综合影响,基于XGBoost算法输出的影响因素权重值由高到低依次为:NDVI、DEM、AQI水平、GDP、A级景点数量、国内旅游收入、道路密度、国内旅游人数、工资水平;③中国露营地建设高适宜性区域主要集中于经济发达的东部地区,露营地数量占总数的48.90%;中适宜性区域主要分布于西北、中部与东北部分地区,露营地较为分散;低适宜性区域主要集中于青海和云南两省。