通过聚合决策树模型与提升模型进行的车辆价格预测
用机器学习模型预测电影收益,通过收集、预处理、分析、选择模型、评估和改进的结构化方法,构建了一个准确预测电影收益的模型,使用线性回归、决策树、随机森林回归、Bagging、XGBoosting 和 Gradient Boosting 进行训练和测试,通过超参数调整和交叉验证提高模型的准确性和泛化性,有助于电影行业做出明智的决策以最大化利润。
May, 2024
应用自动化的机器学习(AutoML)方案代替手动创建的机器学习管道,结合公司的领域知识进行价格预测的工业需求研究,展示了 AutoML 导致的小型和中型企业对机器学习专家的依赖减弱的可能性。
Apr, 2023
提出了一种基于预测性维护的集成系统,通过从传感器数据收集的信息,准确预测装甲车辆的维护需求,评估了所提出的集成模型的稳定性和表现,结果表明该系统具有高精度和高召回率,可以有效预测维护需求,从而减少车辆停机时间,提高运营效率,强调了基于机器学习的预测性维护解决方案的潜力。
Jul, 2023
用车定价受经济因素和市场动态的影响,自动化定价算法的不确定性在应用中面临复杂挑战,ProbSAINT 模型提供了准确定价和不确定性量化的方法,适用于预测不同预期交易期限的价格概率。
Mar, 2024
房屋价格的准确预测是包括房地产和抵押贷款在内各个行业的基本要求。本研究通过运用各种机器学习技术来解决房价预测问题,并使用爱荷华州艾姆斯市的房屋数据集比较了支持向量回归器、随机森林回归器、XGBoost、多层感知器和多元线性回归算法。最终确定了影响房屋成本的关键因素,并得出结果表明 XGBoost 是最佳的房价预测模型。
Feb, 2024
本研究利用统计学、机器学习和深度学习模型建立了一个强大而准确的股票价格预测框架,研究结果表明该多模型的结合方法可以从波动和随机的股票价格数据中有效地学习。
Apr, 2020
金融市场的价格波动被认为非常嘈杂,为减少风险并提高结果,我们采用了基于机器学习算法的模型集成方法,通过学习一系列模型并在测试时对数据进行修剪,预测固定期限收益。这种方法有望在更低的风险水平下获得更好的整体回报。
Oct, 2023
利用机器学习技术基于患者诊断和人口统计学数据构建预测模型,并使用决策树方法进行预测,其结果优于先前研究的类似问题报告的结果,因此有望降低医疗保健成本。
Apr, 2023
本研究使用三种回归模型(线性回归,梯度提升,支持向量机)来预测医疗保险成本,并以 RMSE、R Square 和 K-Fold 交叉验证为评估指标。结果表明,在这些模型中,梯度提升的 R Square 最高 0.892,RMSE 最低 1336.594。研究总结认为,梯度提升模型在这三种模型中表现最好。同时,探索性数据分析显示,最高的费用是由于吸烟这一特征引起的。
Apr, 2023
本文研究了在医疗保健领域中应用预测建模以提高保险公司生产力和效率的潜力,通过使用三种基于回归的集成机器学习模型(Extreme Gradient Boosting、梯度提升机和随机森林)对医疗保险费用进行预测,并采用可解释的人工智能方法来发现和解释影响医疗保险费用的关键因素。研究结果表明这些模型在预测上取得了可观的成果,其中 XGBoost 模型表现最佳,但计算资源消耗更高,而 RF 模型则在预测误差较小的同时消耗较少的计算资源。同时比较了两种可解释人工智能方法在识别影响保险费用的关键特征上的结果,发现 ICE 图能更详细地展示变量之间的相互作用,而 SHAP 分析则更具概览性。希望本研究的贡献能够帮助决策者、保险公司和潜在医疗保险购买者在选择适合其需求的政策时作出正确决策。
Nov, 2023