典型文献
LOO-XGboost模型预测岩石爆破块度
文献摘要：
针对小样本条件下使用机器学习方法预测岩石爆破块度存在的数据利用率不足,预测精度存在浮动较大的问题.将留一法(LOO)与极限梯度提升(XGboost)算法结合,利用Python 3.7构建LOO-XGboost岩石爆破块度预测模型,选取31组爆破数据进行LOO-XGboost模型训练与预测,通过调用不同参数,得到模型的最优内置参数如下:求解方式为树模型,学习率为0.30,决策树数量为50,决策树最大迭代深度为3,叶子节点最小样本数为3,随机采样比例为0.8.将预测结果与同条件下的支持向量机回归(SVR)、BP神经网络(BPNN)、随机森林(RF)模型以及10折交叉验证下的XGboost模型进行对比,对比结果为LOO-XGboost模型预测精度明显高于其他4种模型,其相关系数、均方根误差、平均绝对误差分别为0.9128、0.0587、0.0342.结果表明:LOO-XGboost模型既保证了小样本情况下的数据利用率,又提高了预测精度,适合应用于岩石爆破块度预测.
文献关键词：
岩石块度;LOO-XGboost模型;小样本预测;模型对比;Python3.7
中图分类号：
作者姓名：
叶海旺;胡俊杰;雷涛;李宁;王其洲;DAHéMONYEGNI GHISLAIN
作者机构：
武汉理工大学 资源与环境工程学院,武汉430070;矿物资源加工与环境湖北省重点实验室,武汉430070;武汉理工大学 安全科学与应急管理学院,武汉430070
文献出处：
引用格式：
[1]叶海旺;胡俊杰;雷涛;李宁;王其洲;DAHéMONYEGNI GHISLAIN-.LOO-XGboost模型预测岩石爆破块度)[J].爆破,2022(01):16-21
A类：
岩石块度
B类：
LOO,XGboost,岩石爆破,爆破块度,样本条件,机器学习方法,数据利用率,浮动,极限梯度提升,块度预测,模型训练,调用,同参数,内置,树模型,学习率,决策树,叶子,随机采样,支持向量机回归,SVR,BPNN,RF,交叉验证,平均绝对误差,既保证,小样本预测,模型对比,Python3
AB值：
0.269576
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
