Прогнозирование длины волны возбуждения люминофоров на основе машинного обучения

Sahu S. K., Shrivastav A. , Swamy N. K., Dubey V. , Halwar D. K., Kumar M. T., Rao M. C.
2024

Разработан алгоритм машинного обучения на основе простых люминесцентных материалов для прогнозирования длин волн возбуждения с максимально возможной точностью с использованием легкодоступных основных алгоритмов регрессора CatBoost, множественной линейной регрессии (MLR) и искусственной нейронной сети (ANN). Алгоритмы ANN и MLR имеют более высокие средние значения абсолютной ошибки как в обучающих, так и в тестовых наборах данных. Алгоритм CatBoost превосходит другие алгоритмы с точки зрения среднего значения абсолютной процентной разницы 0.302136 % в наборе обучающих данных. Алгоритм CatBoost демонстрирует наименьшую среднеквадратическую ошибку 1.680768 нм в наборе обучающих данных и его прогнозы имеют меньшее среднее отклонение от фактических значений.

Sahu S. K., Shrivastav A. , Swamy N. K., Dubey V. , Halwar D. K., Kumar M. T., Rao M. C. Прогнозирование длины волны возбуждения люминофоров на основе машинного обучения. Журнал прикладной спектроскопии. 2024;91(3):466.
Цитирование

Список литературы

Похожие публикации

Источник