پژوهش های نوین فیزیک، جلد ۱۰، شماره ۲، صفحات ۱۸-۲۵
عنوان فارسی روش تلفیقی مدل‌های آماری انباشته در بهبود نتایج یادگیری ماشین در پیش بینی گاف انرژی مواد
چکیده فارسی مقاله در این پژوهش با استفاده از رویکرد یادگیری ماشین به پیش بینی گاف انرژی
دسته ای از مواد نیمه رسانا پرداخته شده است. هدف اصلی پژوهش بر این مبنا
بوده که با تلفیق روش های مختلف در یادگیری ماشین، سعی بر ارائه روشی
کارآمد در پیش بینی گاف انرژی مواد داشته باشیم. روش انباشته یک روش
جدید در میان آلگوریتم های یادگیری ماشین می باشد که با بهره گیری از روش
های مرسوم، تلفیق آنها با یکدیگر و استفاده از مزیت هریک از روش های آماری
روشی کارآمد و با دقت باالتر نسبت به هریک از روش های مورد استفاده، می
باشد. با استفاده از روش ه ایی چون از درخت تصمیم تقویت گرادیان، تقویت
گرادیان سبک، جنگل تصادفی و تقویت گرادیان حداکثری یک مدل ترکیبی
انباشته ارائه داده ایم که نتایج شبیه سازی بهتری نسبت به هریک از روش های
نام برده ارائه کرده است.
کلیدواژه‌های فارسی مقاله یادگیری ماشین،گاف انرژی،XGBoost،Stacking،ضریب رگرسیون،
عنوان انگلیسی Efficient machine learning method, Stacking, to improvement of material band gaps prediction
چکیده انگلیسی مقاله In this research, energy band gap of specific materials has been predicted using machine learning approach. We try by using mixing some usual machine learning methods to presenting an efficient machine learning method to improve material band gap prediction. Based on Gradient Boosting Decision Tree, Light Gradient Boosting, Random Forest and Extreme Gradient Boosting, we presented Stacking method by mixing all mentioned methods as an efficient machine learning method.
کلیدواژه‌های انگلیسی مقاله یادگیری ماشین,گاف انرژی,XGBoost,Stacking,ضریب رگرسیون
نویسندگان مقاله انوشیروان غفاری پور |
دانشگاه یاسوج

بهروز واثقی |
دانشگاه یاسوج

نشانی اینترنتی https://jmrph.khu.ac.ir/article_6381_bd430257087f92e5322919c84dc99f32.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات