Nov, 2023

虚假数据对电化学中的机器学习模型的影响

PDF
TL;DR选择适合处理噪声数据的机器学习模型以及建立叠加模型是否确实对原本对噪声敏感的弱模型提供鲁棒性。线性模型对噪声处理良好，但在预测准确性方面存在问题；基于树模型对噪声处理能力较差，但可以提供更高的预测准确性；叠加模型既具备高准确性又能有效处理噪声，适合初学者和经验丰富的机器学习研究者在电化学领域。此研究还发现神经网络在电化学数据中表现不佳，因此建议使用叠加模型以获得准确且能处理噪声的模型。总之，该研究为电化学数据的机器学习模型选择提供了洞察，有助于理解化学背景下的数据科学。
machine learning modelnoisy datastacking modellinear modelstree-based models
发现论文，激发创造
  • 基于统计模型的主动学习

    本文回顾了如何使用最优数据选择技术来优化一些类型的机器学习算法，包括前馈神经网络、高斯混合模型和局部加权回归，并探讨了此方法如何降低训练数据量，提高模型性能。

    Mar, 1996

  • 基于小波的混合机器学习模型用于未知来源的互联网流量预测

    本文探讨和评估了使用多种机器学习算法对于相同分布和非同分布数据的表现，同时提出了一种混合机器学习模型，结合小波分解以提高泛化性能，实验结果显示，相比于独立模型，我们的混合模型在处理非同分布数据时表现更优。

    May, 2022

  • 连续数据更新下的模型稳定性

    本研究探讨了机器学习模型的稳定性问题，提出了评估模型稳定性的方法，并发现网络架构和输入表示等模型设计选择对稳定性有重大影响，推荐在进行建模选择时考虑准确性和抖动之间的权衡。

    Jan, 2022

  • 癫痫发作预测的比较分析：探索多样的预处理技术和机器学习模型

    应用机器学习模型对脑电图数据进行比较分析，发现 Extra Trees 模型表现最佳，在癫痫发作预测方面具有更准确和稳健的性能。

    Aug, 2023

  • 基于机器学习的电极制造优化，实现高性能能量和功率电池

    本研究通过提出一种动力学机器学习辅助流程的数据驱动方法，优化了生产参数的逆向设计，从而实现了可用于能量或功率应用的电极的制造。

    Jul, 2023

  • 针对网络入侵检测数据集特征调整的集成分类器设计

    本文针对 UNSW-NB15 数据集的类不平衡和特征空间中的类重叠问题，提出了一种机器学习分类器的数据驱动设计和性能评估方法，其中使用 Balanced Bagging、eXtreme Gradient Boosting、Hellinger Distance Decision Tree 等集成方法来解决不平衡数据问题，提出了两种新的算法来解决类重叠问题，并提高了测试数据的分类性能。实验证明，相比已有技术，该方法在二元和多种情况下均有显著优势。

    May, 2022

  • 基于新合成数据集训练的集成机器学习模型在使用可穿戴设备进行压力预测时具有良好的泛化能力

    本文提出了一种使用多个数据集结合模型集成方法，并将其应用于压力检测的方法，该方法的表现优于仅基于单个小数据集训练的模型。

    Sep, 2022

  • 用于预测燃气轮机排放的表格机器学习方法

    本文评估了采用机器学习模型预测燃气轮机排放的性能，在 Siemens Energy 的测试数据集上比较了现有预测排放模型，基于 SAINT 和 XGBoost 开发的两个机器学习模型，以展示采用机器学习技术可获得氮氧化物（NOx）和一氧化碳（CO）的改进预测性能，并探索了包含更多特征以增强模型复杂性与数据集中缺失值增加之间的平衡。

    Jul, 2023

  • 数据反馈环路：基于模型驱动的数据集偏差放大

    本文旨在通过记录模型与数据的交互过程，以改善未来爬取的 Internet 数据集的信息稳定性。我们发现模型输出表现为源自训练集的样本具有一致性校准时，偏见放大的程度与模型预测的性别偏差等测试时偏差统计显著相关，如果同时在三个条件预测场景中使用，能更好的校准和稳固反馈系统。

    Sep, 2022

  • 标签噪音校正对机器学习公正性影响的系统分析

    通过实证方法，我们评估了六种标签噪音修正方法在多个公正度度量标准上的表现，结果表明混合标签噪音修正方法在预测性能和公正度之间取得了最佳平衡，而基于聚类的修正方法可以最大程度地减少歧视但降低了预测性能。

    Jun, 2023