基于KMeans和LightGBM模型的大学生公益人群画像分析

大学生公益是国家公益事业的重要组成部分。高校如何设计公益活动以吸纳更多大学生加入公益队伍已成为一个严峻的问题。文章通过调查问卷获得的数据沿着如下路线来构建大学生公益人群画像体系:首先引入KMeans聚类模型对大学生公益人群进行分类,然后利用t-SNE降维算法可视化分类效果,最后应用LightGBM模型提取特征的重要性,以将某类和其他类区别开来,凸显本类的特征,通过描述各类的特征对人群画像。得出结论:大学生公益人群划可分为三类,根据各类特征可画像为观望型人群、积极型人群及消极型人群。

基于K-means的LTE宏站小区场景聚类策略

中国移动近年来LTE网络的大规模建设确保了4G网络的覆盖优势,但庞大的网络规模使得网络优化的难度进一步增加,目前仅依靠人工很难对LTE网络设备中各设备厂家的海量通用配置参数及私有参数进行精细化配置。经研究提出了一种基于K-means的LTE宏站小区场景聚类策略,可对小区进行量化特征建模并聚类为若干典型场景,从而针对不同聚类场景的小区可实现自动化推荐LTE网络参数配置方案,极大提高网络优化中参数优化配置工作的效率。

漏磁特征可视化及智能识别缺陷

利用ANSYS Maxwell建立了三维漏磁场有限元模型,分析了穿孔、平滑凹坑以及矩形凹槽三种缺陷的漏磁信号曲线并得到了仿真数据,通过漏磁仿真信号的变化,提取4个不同的特征值。采用T-SNE算法将漏磁特征降维可视化,研究了利用特征值区分缺陷类别的可行性。选用支持向量机(SVM),随机森林(Random Forest)以及梯度提升决策树(GBDT)三种机器学习方法对特征值进行学习以及分类识别,计算了不同算法的准确率,研究发现SVM较差,而GBDT准确率稍高。本文的研究结果为机器学习区分缺陷类别提供了参考。