研究探讨不同机器学习算法在现在预测马达加斯加国内生产总值 (GDP) 方面的预测能力。我们使用 10 个马达加斯加季度宏观经济领先指标，对流行的回归模型进行训练，包括线性正则化回归 (Ridge，Lasso，Elastic-net)，维度约简模型 (主成分回归)，k 最近邻算法 (k-NN 回归)，支持向量回归 (线性 SVR)，以及基于树的集成模型 (Random Forest 和 XGBoost 回归)，并使用简单的计量经济模型作为基准。通过计算均方根误差 (RMSE)，平均绝对误差 (MAE) 和平均绝对百分比误差 (MAPE) 来衡量每个模型的现在预测准确性。我们的发现表明，通过汇总个体预测形成的集成模型始终优于传统计量经济模型。我们得出结论，机器学习模型可以更准确和及时地预测马达加斯加的经济表现，并为决策者提供数据驱动的决策指导。

Dec, 2023

追溯 2020 年 3 月至 2022 年 5 月的短期内，该研究比较了四种机器学习模型在预测纽约证券交易所三支知名股票的准确性，并发现 XGBoost 模型虽然运行时间较长（最多 10 秒），但提供了最高的准确性。

May, 2023

利用机器学习方法对 5G 网络系统中的路径损耗进行预测，以实现更精确的网络规划、资源优化和性能改进。

Oct, 2023

这篇文章针对金融服务公司中的信用风险管理问题，对比了深度学习和梯度增强机在不同特征数据集上的表现，结果发现梯度增强机更为强大、运算速度更快，在大多数情况下是信用评分的最佳解决方案。

May, 2022

利用不同性能度量评估线性回归、随机森林、XGBoost、LightGBM 和 MLP 神经网络五种模型在美国佐治亚州预测 pH 值方面的效果，表明 LightGBM 具有最高的平均精度，树模型在回归问题中具有卓越性能，MLP 神经网络的性能对特征缩放敏感，并解释了机器学习模型相对原研究的提升原因，以建立适用于实际应用的强大预测流程，既适合数据科学领域专业人士，也适用于缺乏特定应用领域专业知识的人群，强调预测准确性和可解释性。

Sep, 2023

使用嵌套交叉验证方案的机器学习方法，模型了高速列车系统在第五代（5G）移动通信网络中的性能，以优化手 over、资源分配和提高移动性，具有显著结果。

Oct, 2023

该研究提出了一种基于云的提取监视器，通过观察单个和串通的对手用户的查询和响应流来量化模型的提取状态，从而使用信息增益来测量具有不断增加查询数量的用户的模型学习速率，并维护智能查询摘要以在串通存在的情况下测量与输入特征空间覆盖度相关的学习速率，以提醒模型所有者可能存在侵犯攻击。

Nov, 2017

本文在威斯康星州诊断性乳腺癌数据集上比较了六个机器学习算法的分类测试准确性，并测量了它们的灵敏度和特异性。实验结果表明，所有的算法都表现良好，并超过了 90% 的测试准确率，其中 MLP 算法表现最佳，测试准确率高达 99.04%。

Nov, 2017

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

研究比较了多种不同的深度学习模型，发现在预测业务流程中下一步活动的性质和时间戳时，简单的多层感知器（MLP）往往表现优于 Sophisticated Deep-learning Models。在应用自动化过程预测技术时，需要注意在业务流程的不同阶段进行反思和评估。

Feb, 2021