- 博客(6)
- 收藏
- 关注
RSS订阅原创 使用python进行关于锂电池电极生成的关键质量（电池容量）预测-RF
随机森林模型中含有多颗决策树,每颗决策树貌似一名学生,要预测电池的容量。为了得到更准确的预测,我们可以让学生们组团,然后把电池样本分给每个团的学生去预测。每个学生稍微有些经验不足,但团队合起来还是可以得出非常准确的平均预测。具体来说,每棵决策树只用部分特征和数据样本训练,做出有一定误差的预测。然后随机森林把所有决策树的预测结果平均,就能消除每个树的偏误,得到整体上非常准确的电池容量预测。这样它既利用了许多决策树并行预测的优势,又避免了单一决策树过于复杂而容易过拟合的问题。
2023-09-11 11:15:19
94
原创 使用python进行关于锂电池电极生成的关键质量（电池容量）预测-SVR
SVR模型的目标是找到一个能够区分电池容量高低的分界线。它会在数据中找到一些关键的电池,作为支持向量点。支持向量点能代表整体数据分布的特征。然后 SVR 通过这些关键电池建立一个最大边际分界线,也就是距离支持向量最近的分界线。新来一个电池,我们就判断它落在分界线的哪一侧,以判定它的电池容量属于高还是低。如果一个电池正好落在分界线上,我们就直接取分界线上的预测值作为它的电池容量。所以,SVR 通过找到能代表整体的数据关键点,学会将高容量和低容量的电池分开,实现电池容量的预测。
2023-09-11 11:11:41
82
原创 使用python进行关于锂电池电极生成的关键质量（电池容量）预测-GBT
GBT模型可以看成是一个决策树组队。它训练出一组决策树,每一棵决策树负责预测电池容量的一个“补丁”。第一个决策树根据输入变量,生成一个电池容量的初始预测。但这个预测可能还不够准确。所以第二棵决策树会专注于第一个树预测误差比较大的数据,给它们建立新的决策规则,得到一个“补丁”,补充第一个树的预测。后面每棵决策树都在前面树的基础上,针对残差较大的部分生成补丁,一步步纠正和改进预测。最后,把每棵决策树的预测结果加起来,就可以得到整体对电池容量很准确的预测。
2023-09-11 11:08:34
69
原创 使用python进行关于锂电池电极生成的关键质量（电池容量）预测-DT
决策树模型就像一个流程图,它通过问答的方式做预测。针对电池容量预测,决策树会首先问一个与输入变量相关的问题,比如“涂布速度是否小于5米/秒?根据数据中的实际情况,如果答案是Yes,那么这部分数据的电池容量平均可能比较高;如果是No,那么对应的电池容量平均可能比较低。决策树会继续问关于其他变量的问题,如“涂层粘度是否大于1000帕?”,每问一个问题,就可以把数据分成更小的组,组内电池容量分布越来越均匀。最后,决策树会问到某些只包含极少数据的小组,直接用这些数据的平均电池容量,作为这些数据的预测值。
2023-09-11 10:57:56
86
原创 使用python进行关于锂电池电极生成的关键质量（电池容量）预测-ANN
人工神经网络模仿生物大脑的网络结构,由输入层、隐藏层和输出层组成。每个层有多个节点,节点之间通过连接权重相连,形成网络。针对电池容量预测,输入层节点即为7个控制变量(“涂布速度”、“涂层间隙”、“浆料重量百分比”、“表面张力”、“浆料密度”、“干密度”、“涂层粘度”)。这些变量像树根一样输入网络。隐藏层会对输入进行复杂的非线性变换,发掘变量之间的深层关系。这相当于神经元对输入信息的处理。隐藏层可以有多层,使网络拟合复杂映射。最后输出层根据隐藏层的输出,给出电池容量的预测值。
2023-09-11 10:49:46
87
原创 使用python进行关于锂电池电极生成的关键质量（电池容量）预测-GLM
【代码】使用python进行关于锂电池电极生成的关键质量（电池容量）预测-GLM。
2023-09-08 12:05:34
161
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人