检索结果-内蒙古大学图书馆

建筑与文化 2025年第2期 226-228页

作者：曹献之陆激浙江大学建筑工程学院浙江大学平衡建筑研究中心浙江大学建筑设计研究院有限公司

地理人工智能近年来取得了飞速的发展,然而由于机器学习“黑箱”模型的天性导致其可解释性一直存在困境。文章以杭州市中心城区二手住宅价格为例,使用XGBoost模型将其与周边设施可达性指标和房产本身特征指标进行回归,并用SHAP模型解释... 详细信息

地理人工智能近年来取得了飞速的发展,然而由于机器学习“黑箱”模型的天性导致其可解释性一直存在困境。文章以杭州市中心城区二手住宅价格为例,使用XGBoost模型将其与周边设施可达性指标和房产本身特征指标进行回归,并用SHAP模型解释各个变量的重要程度,最终量化了各个因子对于二手住宅价格的影响程度。结果发现,到最近地铁站的距离和房龄对二手房价格有最为显著的影响。此外,西湖周边和钱塘江东岸沿江一带表现出了很强的房价区位优势。

关键词：可解释性机器学习 XGBoost SHAP 二手住宅价格杭州

来源：评论

学校读者我要写书评

暂无评论

基于可解释性机器学习的ECD敏感性分析与预测技术

引用

钻井液与完井液 2023年第5期40卷 563-570页

作者：马磊周波张宁俊杨恒蔡新树刘征徐同台中国石油塔里木油田分公司新疆库尔勒841000 昆仑数智科技有限责任公司北京102206 北京石大胡杨石油科技发展有限公司北京102206

当量钻井液循环密度(ECD)计算过于繁琐耗时,且其敏感性规律尚未得到明确认识。为此,采用ProHydraulic软件对克深区带的1928个数据点进行分析,以确定ECD的理论值,并建立了相关的特征参数。同时,利用可解释性机器学习方法SHAP对钻井液特... 详细信息

当量钻井液循环密度(ECD)计算过于繁琐耗时,且其敏感性规律尚未得到明确认识。为此,采用ProHydraulic软件对克深区带的1928个数据点进行分析,以确定ECD的理论值,并建立了相关的特征参数。同时,利用可解释性机器学习方法SHAP对钻井液特性、钻进参数和环空容积等关键因素进行了敏感性分析。最终,利用线性回归构建克深区带计算ECD的经验公式,涵盖了12个主要特征参数。结果表明,该模型表现优异,测试集决定系数达到0.963,平均绝对误差仅为0.04,为实际工程应用推出了简明、高效的经验公式。

关键词： ECD 敏感性分析可解释性机器学习线性回归模型

来源：评论

学校读者我要写书评

暂无评论

基于LightGBM与SHAP的空腔积水深度可解释性机器学习模型

引用

力学季刊 2024年第2期45卷 442-453页

作者：李珊珊孙朝阳李国栋西安理工大学省部共建西北旱区生态水利国家重点实验室陕西西安710048

传统的机器学习模型主要围绕如何提升模型预测精度进行研究,从而忽略了预测结果的可解释性.本研究基于LightGBM (Light Gradient Boosting Machine)建立了预测掺气设施空腔积水深度的黑箱模型,与常用的机器学习模型如RF (Random Forest)... 详细信息

传统的机器学习模型主要围绕如何提升模型预测精度进行研究,从而忽略了预测结果的可解释性.本研究基于LightGBM (Light Gradient Boosting Machine)建立了预测掺气设施空腔积水深度的黑箱模型,与常用的机器学习模型如RF (Random Forest)、SVM (Support Vector Machine)及XGBoost (Extreme Gradient Boosting)对比结果表明LightGBM拥有较高的预测精度.进一步通过贝叶斯优化技术对LightGBM的四个超参数进行优化,较大程度上提升了模型的R^(2)(决定系数)得分.应用SHAP (Shapley Additive Explanation)事后解释方法对LightGBM的预测结果进行全局解释和局部解释.全局解释结果表明:流速、水舌冲击角、坎高及流量是影响空腔积水形成的主要因素,特征交互解释可以用来解释特征之间的复杂非线性关系,局部解释则可以显示单个样本各特征的影响大小.研究建立的基于LightGBM-SHAP的空腔积水深度可解释性机器学习模型在掺气设施体型优化及模型试验方案优化方面有很好的应用前景.

关键词：可解释性机器学习空腔积水贝叶斯优化 LightGBM SHAP

来源：评论

学校读者我要写书评

暂无评论

从SHAP到概率——可解释性机器学习在糖尿病视网膜病变靶向脂质组学研究中的应用

引用

中国卫生统计 2023年第4期40卷 511-515页

作者：金东镇郭城楠彭芳赵淑珍李慧慧夏喆铮车明珠王亚楠张泽杰毛广运温州医科大学公共卫生与管理学院 325000 温州医科大学附属眼视光医院国家临床研究中心

目的基于可解释性机器学习算法构建糖尿病视网膜病病变(diabetic retinopathy,DR)的早期识别模型,并探讨SHAP(SHapley Additive exPlanations)在脂质组学数据中的应用。方法基于本项目组的DR靶向脂质组学数据,通过可解释性机器学习的方... 详细信息

目的基于可解释性机器学习算法构建糖尿病视网膜病病变(diabetic retinopathy,DR)的早期识别模型,并探讨SHAP(SHapley Additive exPlanations)在脂质组学数据中的应用。方法基于本项目组的DR靶向脂质组学数据,通过可解释性机器学习的方法进行特征筛选;在建立糖尿病视网膜病变的早期识别模型后,通过全局、特征和个体三个层面对模型进行解释,并将SHAP值转换成概率以增强可解释的能力。结果本研究筛选出了5种内源性脂质代谢物,构建了一个性能较为优秀的糖尿病视网膜病变的早期识别模型,并成功使用SHAP及概率解锁了模型。结论脂质代谢物质可以应用于糖尿病视网膜病变的早期识别;SHAP在进行黑盒模型的解锁时表现出色,且有较高的实践应用价值。

关键词：脂质组学可解释性机器学习糖尿病视网膜病变 SHAP

来源：评论

学校读者我要写书评

暂无评论

投资者情绪传染与银行业系统性风险预警——基于可解释性机器学习方法的研究

引用

系统工程 2024年

作者：王莲莲黄玮强东北大学工商管理学院

投资者情绪传染在信息不对称条件下可能引发非理性羊群效应，促进风险传染，在系统性风险演化过程中发挥关键作用。本文探究投资者情绪传染指数对银行业系统性风险的预警能力和非线性影响。首先，基于TVP-VAR模型构建投资者情绪传染指... 详细信息

投资者情绪传染在信息不对称条件下可能引发非理性羊群效应，促进风险传染，在系统性风险演化过程中发挥关键作用。本文探究投资者情绪传染指数对银行业系统性风险的预警能力和非线性影响。首先，基于TVP-VAR模型构建投资者情绪传染指数用于衡量银行间投资者情绪传染效应的强弱。进一步，将投资者情绪传染指数纳入预警指标体系，基于机器学习方法构建预警模型，并应用可解释性机器学习方法打开黑盒。实证研究结果表明：机器学习方法的预警性能远高于线性模型，随机森林表现最优；投资者情绪传染指数与银行业系统性风险之间存在复杂的非线性关系；投资者情绪传染指数能够提升预警模型准确率，且在预警模型中发挥的重要性高于宏观经济和银行业指标。

关键词：投资者情绪传染银行业系统性风险预警可解释性机器学习

来源：评论

学校读者我要写书评

暂无评论

基于可解释性机器学习的丘陵缓坡地区滑坡易发性区划研究

引用

重庆师范大学学报（自然科学版） 2022年第3期39卷 78-92页

作者：张虹辜庆渝孙诚彬孙德亮密长林张凤太重庆师范大学地理与旅游学院重庆师范大学GIS应用研究重庆市高校重点实验室重庆401331 临沂市公路事业发展中心莒南县中心山东临沂276000 山东省临沂市自然资源开发服务中心山东临沂276000 重庆理工大学管理学院重庆400054

【目的】提出一种基于随机森林与Permutation Importance、PDP和LIME结合的可解释性模型,对滑坡易发性区划进行全局和局部解释,旨为滑坡灾害精准防治与城市规划提供理论依据。【方法】以重庆市江津区为例,选取地形地貌、地质构造、气象... 详细信息

【目的】提出一种基于随机森林与Permutation Importance、PDP和LIME结合的可解释性模型,对滑坡易发性区划进行全局和局部解释,旨为滑坡灾害精准防治与城市规划提供理论依据。【方法】以重庆市江津区为例,选取地形地貌、地质构造、气象水文、环境条件和人类活动共5个方面的21个因子,结合江津区899个历史滑坡点,建立30 m×30 m精度的栅格空间数据库,按照滑坡与非滑坡1∶1的比例选取899个非滑坡点,利用随机森林算法构建滑坡易发性模型,将结果分为极低、低、中、高、极高等5个易发性等级,探讨了随机森林模型在三峡库区滑坡易发性区划中的普适性,最后通过Permutation Importance,PDP,LIME方法研究随机森林模型的可解释性。【结果】滑坡高-极高易发区内滑坡点数占历史总滑坡点的71.3%,面积占区域总面积的20.42%,混淆矩阵准确率为0.968,全体数据集AUC值达0.962。通过模型解释可知地形起伏度、年平均降雨量、坡度是滑坡易发性区划中最重要的因子,且地形起伏度、坡度为正影响,当年平均降雨量小于1300 mm时,对滑坡的发生也产生正影响。【结论】基于可解释性机器学习的滑坡易发性区划模型预测精度高,对滑坡的精准防治有重要的实践意义。

关键词：随机森林可解释性机器学习江津区滑坡易发性区划三峡库区

来源：评论

学校读者我要写书评

暂无评论

基于可解释性机器学习的大气污染物浓度预测及驱动因素挖掘

基于可解释性机器学习的大气污染物浓度预测及驱动因素挖掘

引用

作者：董佳奇华北电力大学(北京)

学位级别：硕士

我国大气环境领域已形成海量-多维-异构的大气污染物相关的浓度、组分、气象条件、排放源等数据体系,以此为基础的大气污染物浓度精准预测模拟和分析挖掘一直是重难点。考虑已有的机器学习模型可解释性较差和对大气污染物与影响因素之... 详细信息

我国大气环境领域已形成海量-多维-异构的大气污染物相关的浓度、组分、气象条件、排放源等数据体系,以此为基础的大气污染物浓度精准预测模拟和分析挖掘一直是重难点。考虑已有的机器学习模型可解释性较差和对大气污染物与影响因素之间时间关联性提取能力不足等问题,本文提出了一种改进的可解释性机器学习模型,构建“环境数据处理——污染特征分析——浓度预测模拟——驱动因素挖掘”的大气污染分析系统,以山西省晋城市为例,对城市夏季O3和秋冬季PM2.5的污染特征、预测模拟和驱动因素展开研究。结果表明,该方法能够对大气污染物浓度变化进行预测模拟和数据挖掘,建立的大气污染分析挖掘方法能够为城市环境空气质量精准预报和污染防治提供基础依据。(1)基于Correlation-ML-SHAP多模块耦合,构建了一种改进的可解释性机器学习模型。通过环境时间序列相关性分析模块(Correlation),分析大气污染物与特征变量的时间关联性,优化模型输入变量的特征组合;通过大气污染物浓度预测模块(ML),训练和优化性能良好的预测模型;通过可解释性模块(SHAP),定量解析影响大气污染物浓度变化的驱动因素及其交互作用。(2)应用改进的可解释性机器学习模型预测夏季O3和秋冬季PM2.5浓度。结果表明,大气污染物浓度预测模块(ML)采用集成学习的XGBoost模型预测准确性最佳。其中,该方法对夏季O3浓度预测的MAE、RMSE和R2分别为15.0、19.5和0.85;对秋冬季PM2.5浓度预测的MAE、RMSE和R2分别为6.3、8.9和0.94。应用该方法能够对夏季O3和秋冬季PM2.5浓度开展较好的预测。(3)应用改进的可解释性机器学习模型挖掘影响夏季O3和秋冬季PM2.5浓度变化的驱动因素。结果表明,大气污染物浓度受多种驱动因素交互作用。夏季O3强驱动因素为气温、日照强度和前体物浓度,对O3变化的重要性程度在污染天分别提升24.4%、18.1%和22.8%。当NO2浓度超9 μg/m3或CO浓度超0.7 mg/m3时,受高温和低湿的交互作用,分别有93.4%和87.2%的概率提升O3浓度。秋冬季PM2.5污染强驱动因素为PM10、NO2和相对湿度,对PM2.5变化的重要性程度在污染天分别提升87.0%、77.7%和4.2%。当PM10浓度超90 μg/m3或NO2浓度超10 μg/m3时,受高湿和低温的交互作用,分别有96.7%和86.0%的概率提升PM2.5浓度。

关键词：大气污染可解释性机器学习驱动因素预测模拟数据挖掘

来源：评论

学校读者我要写书评

暂无评论

基于可解释性机器学习的建筑动态表皮参数对光环境性能贡献研究

基于可解释性机器学习的建筑动态表皮参数对光环境性能贡献研究

引用

2021全国建筑院系建筑数字技术教学与研究学术研讨会

作者：李媛媛黄辰宇姚佳伟佐治亚理工学院青岛理工大学琴岛学院北方工业大学建筑与艺术学院同济大学建筑与城市规划学院

动态表皮结合传感器和智能优化算法有利于动态地响应环境变化，增强室内光环境的舒适程度。本文从设计形态学出发，梳理动态表皮的设计因素并进行参数化建模，对大量动态表皮模型的室内光环境性能进行评估，通过可解释性机器学习来探索... 详细信息

动态表皮结合传感器和智能优化算法有利于动态地响应环境变化，增强室内光环境的舒适程度。本文从设计形态学出发，梳理动态表皮的设计因素并进行参数化建模，对大量动态表皮模型的室内光环境性能进行评估，通过可解释性机器学习来探索不同设计因素在提高室内光环境的表现差异。根据适应性表皮的设计特点，本文使用Rhino/Grasshopper平台建立三类表皮单元的参数化模型，使用Honeybee和Ladybug等模拟软件评估模型的全自然采光百分比(DLA)、有效日光照度(UDI)和日光眩光概率(DGP)等光环境指标，通过控制参数化模型生成大量样本进行批量模拟，获得大量样本数据集，分别使用相关性分析，基于神经网络回归模型的特征敏感性分析和基于XGBoost机器学习回归算法的可解释性分析挖掘动态表皮参数对室内光环境指标的贡献情况。本文的结论为动态表皮的设计提供参考依据，便于设计师在设计前期解耦动态表皮各项因素对室内光环境的影响，进行更高效的环境性能驱动的动态表皮设计。

关键词：可解释性机器学习动态表皮光环境贡献研究

来源：评论

学校读者我要写书评

暂无评论

基于可解释性机器学习的建筑动态表皮参数对光环境性能贡献研究

基于可解释性机器学习的建筑动态表皮参数对光环境性能贡献研究

引用

2021年全国建筑院系建筑数字技术教学与研究学术研讨会暨DADA2021数字建筑学术研讨会

作者：李媛媛黄辰宇姚佳伟佐治亚理工学院青岛理工大学琴岛学院北方工业大学建筑与艺术学院同济大学建筑与城市规划学院

动态表皮结合传感器和智能优化算法有利于动态地响应环境变化,增强室内光环境的舒适程度。本文从设计形态学出发,梳理动态表皮的设计因素并进行参数化建模,对大量动态表皮模型的室内光环境性能进行评估,通过可解释性机器学习来探索不同... 详细信息

动态表皮结合传感器和智能优化算法有利于动态地响应环境变化,增强室内光环境的舒适程度。本文从设计形态学出发,梳理动态表皮的设计因素并进行参数化建模,对大量动态表皮模型的室内光环境性能进行评估,通过可解释性机器学习来探索不同设计因素在提高室内光环境的表现差异。根据适应性表皮的设计特点,本文使用Rhino/Grasshopper平台建立三类表皮单元的参数化模型,使用Honeybee和Ladybug等模拟软件评估模型的全自然采光百分比(DLA)、有效日光照度(UDI)和日光眩光概率(DGP)等光环境指标,通过控制参数化模型生成大量样本进行批量模拟,获得大量样本数据集,分别使用相关性分析,基于神经网络回归模型的特征敏感性分析和基于XGBoost机器学习回归算法的可解释性分析挖掘动态表皮参数对室内光环境指标的贡献情况。本文的结论为动态表皮的设计提供参考依据,便于设计师在设计前期解耦动态表皮各项因素对室内光环境的影响,进行更高效的环境性能驱动的动态表皮设计。

关键词：可解释性机器学习动态表皮光环境贡献研究

来源：评论

学校读者我要写书评

暂无评论

生成式人工智能的虚假评论言语行为分析及人机比较研究：可解释性机器学习方法

生成式人工智能的虚假评论言语行为分析及人机比较研究：可解释性...

引用

第二十五届全国心理学学术会议

作者：周瑾宜黄英辉李伟卿董王昊邓莎莎王伟军华中师范大学心理学院武汉理工大学管理学院湖北工业大学经济管理学院上海外国语大学国际工商管理学院

随着生成式人工智能(AI)技术的重大突破,其产生的在线虚假评论的数量可能会大幅度增长,进而对以电子口碑为核心的网络消费信息内容生态构成潜在威胁。亟需深入分析人类与生成式AI产生的虚假评论在语言行为上的差异,并提出针对性的识别... 详细信息

随着生成式人工智能(AI)技术的重大突破,其产生的在线虚假评论的数量可能会大幅度增长,进而对以电子口碑为核心的网络消费信息内容生态构成潜在威胁。亟需深入分析人类与生成式AI产生的虚假评论在语言行为上的差异,并提出针对性的识别方法及治理策略。本研究以人类评论者及ChatGPT为研究对象,从欺骗识别领域中的认知负荷理论、人际欺骗理论及现实监控理论的整合视角出发,构建认知负荷、确定性、情感、事件的距离、感知情境细节、认知过程六类语言线索体系,利用计算语言学及机器学习方法构建人类真实评论、人类虚假评论与生成式AI产生的虚假评论的解释性分类预测模型,并比较三者对关键性语言线索使用的差别,探讨生成式AI与人类在欺骗策略使用上的异同。实验结果表明,分类预测模型的准确率、精确度、召回率、F值和AUC-ROC值分别达到89.24%、90.77%、90.23%、90.23%和98.05%。认知负荷(0.0361:p<0.001)、感知情境细节(0.0159:p<0.001)、情感(0.0072:p<0.001)等传统欺骗识别理论相关语言线索,以及所发现的非正式语言(0.0097:p<0.001)、个人关切(0.0091:p<0.001)语言线索均能显著提高模型的AUC-ROC值。针对三者在语言线索使用上的比较分析结果发现,生成式AI产生的虚假评论表现出最大的认知负荷(p<0.001)、最多的情绪表达(p<0.001)和个人关切(p<0.001),且更具正式性(p<0.001)与确定性(p<0.01)。在欺骗策略的使用方面,一方面,人类和AI生成的虚假评论均表现出相似的较低水平的认知负荷;另一方面,生成式AI更多地使用了与人类不同的欺骗策略:相对更多的个人关切相关语言线索(p<0.001)、积极和消极情绪表达(p<0.001);相对更少认知过程语言线索(p<0.01)。此外,通过干预认知负荷,能够有效从部分维度区分真实和虚假评论,这种干预对识别AI产生的虚假评论尤其有效。本研究探索了人类与生成式AI在虚假评论言语行为的可区分性及表现差异,验证了欺骗识别相关理论在生成式AI产生的虚假评论识别中应用价值,有利于网络平台管理机构及企业制定更好的虚假评论监管机制,以应对生成式AI对网络消费信息内容生态造成的潜在重大风险。

关键词：生成式AI ChatGPT 欺骗识别在线虚假评论识别可解释性机器学习

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：