期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1,072篇文章
< 1 2 … 54 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于Stacking+SHAP的离港航班滑出时间预测
1
作者 夏正洪 黄君钏 +3 位作者 吴喜生 贾鑫磊 杨乐 李彦直 《科学技术与工程》 北大核心 2026年第8期3543-3549,共7页
针对现有滑出时间预测模型的可解释性弱、泛化能力差的问题,提出一种基于Stacking+SHAP分析的离港航班滑出时间预测模型。首先,将滑出时间拆解成无障碍滑出时间和动态滑出时间,分别分析其与影响因素之间的相关性。然后,构建基于Stackin... 针对现有滑出时间预测模型的可解释性弱、泛化能力差的问题,提出一种基于Stacking+SHAP分析的离港航班滑出时间预测模型。首先,将滑出时间拆解成无障碍滑出时间和动态滑出时间,分别分析其与影响因素之间的相关性。然后,构建基于Stacking的滑出时间预测模型,对比滑出时间整体预测和分阶段预测的性能差异。最后,引入SHAP方法,量化Stacking模型中各特征变量的重要性,并使用深圳宝安国际机场实际运行数据对模型的合理性进行验证。结果表明:畅通滑出时间主要受机场跑滑系统构型的影响,动态滑出时间的主要受场面交通流的影响。虽然分阶段预测结果性能略逊色于整体预测结果,但模型的可解释性更强。Stacking模型预测结果的平均绝对百分比误差(mean absolute percentage error,MAPE)、平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)分别为10.6%、99.7 s、140.5 s,±60、±180、±300 s的准确率分别为41.0%、86.3%、96.5%,预测精度和泛化能力均优于现有研究成果。基于沙普利加分析和相关性分析的双重特征筛选机制,可保证模型有较高预测精度的同时有效减少特征维度。 展开更多
关键词 滑出时间 可解释性 STACKING 交叉验证 shap
在线阅读 下载PDF
煤氧化热反应特性与SHAP可解释温度预测模型
2
作者 张树川 申晓毓 《煤炭科学技术》 北大核心 2026年第3期151-160,共10页
为构建适用于复杂氧化工况的煤自燃温度高精度预测模型,揭示氧化反应热动力机制与温度演化过程之间的耦合特征,提升对关键热反应节点的识别能力,支撑矿井自燃智能预警体系建设,通过在不同氧气体积分数和升温速率条件下开展程序升温与同... 为构建适用于复杂氧化工况的煤自燃温度高精度预测模型,揭示氧化反应热动力机制与温度演化过程之间的耦合特征,提升对关键热反应节点的识别能力,支撑矿井自燃智能预警体系建设,通过在不同氧气体积分数和升温速率条件下开展程序升温与同步热分析试验,监测气体释放行为及TG–DSC响应曲线,提取煤氧化过程中具有代表性的特征温度点(T_(C1)—T_(C7)和T_(1)—T_(6)),构建煤自燃过程的阶段划分体系。并将氧化过程整合为4个宏观反应区间,采用Coats–Redfern法计算各合并阶段的表观活化能和焓变,结合气体特征共同构建基于极端梯度提升算法(Extreme Gradient Boosting,XGBoost)与梯度提升算法(Gradient Boosting Regressor,GBR)的多维温度预测模型,并引入沙普利加性解释(Shapley Additive Explanations,SHAP)进行特征贡献度可解释性分析。结果表明:随着氧气体积分数降低,特征温度点TC6与TC7显著向高温区偏移,偏移率分别为-2.000℃/%与-1.333℃/%;随着升温速率升高,特征温度点T_(2)与T_(4)的温度变化显著加快,偏移率分别为2.85℃/(℃·min^(-1))和2.83℃/(℃·min^(-1))。综合特征温度点变化趋势与煤样氧化过程的官能团响应特征,将煤氧化过程划分为7个阶段:吸附氧积累、诱导启动、氧化加速、热解活化、热失控临界、缓慢氧化与燃烧反应阶段,反映了温度演化、气体释放与分子结构转化的阶段性耦合特征。其中热失控临界区间的活化能达78.86 kJ/mol,焓变为74.16 kJ/mol,明显高于前期诱导区间,体现反应放热强度提升。在多源特征融合基础上构建的XGBoost模型在测试集上决定系数R^(2)为0.9996,平均绝对误差MAE为0.32℃,优于GBR模型。SHAP分析结果表明,E_(a)与ΔH等热分析参数在温度预测中具有阶段性贡献权重,联合气体特征共同反映反应演化特性,增强了模型的物理一致性与解释能力。研究构建的煤温预测模型可为煤自燃过程中的特征识别与注氮、通风等干预策略的动态制定提供数据支撑与理论依据。 展开更多
关键词 煤自燃 特征温度点 煤温预测 XGBoost shap
在线阅读 下载PDF
基于XGBoost+SHAP揭示四川生态脆弱性的驱动力因子及其生态保护评估
3
作者 陈柄桦 李状 +5 位作者 粟丰 张明山 刘瑞 白景昊 张云辉 罗欢 《地质通报》 北大核心 2026年第1期105-120,共16页
【研究目的】通过植被净初生产力单指标结合机器学习方法,克服传统综合指标体系的主观性局限,定量解析驱动机制,为四川省国土空间分区管控、生态保护修复及生态保护评估提供科学依据。【研究方法】基于IPCC生态脆弱性定义,以四川省2001... 【研究目的】通过植被净初生产力单指标结合机器学习方法,克服传统综合指标体系的主观性局限,定量解析驱动机制,为四川省国土空间分区管控、生态保护修复及生态保护评估提供科学依据。【研究方法】基于IPCC生态脆弱性定义,以四川省2001—2023年植被净初级生产力(NPP)为单一评价指标,结合空间自相关、热点分析与XGBoost+SHAP机器学习模型,系统揭示四川省生态脆弱性空间格局及驱动因子影响程度。【研究结果】研究显示:①四川省生态脆弱性整体较高,70%的区域处于中度及以上脆弱水平,空间分布呈西高东低特征,极度脆弱区集中于盆地边缘及横断山脉;②生态脆弱性受自然与人类活动因子交互作用控制,Pearson相关分析显示高程、平均气温、地表温度、降雨等为关键自然驱动因子,而SHAP值定量表明土地利用程度(贡献度最高)、地表温度及平均气温是核心驱动因素;③生态脆弱性空间集聚显著,热点区集中于川西高原及盆地边缘。【结论】生态脆弱性在空间上呈现显著的正相关关系,生态敏感性的空间集聚程度最高,其次为脆弱性,适应性则最低;土地利用程度、地表温度及平均气温是影响生态脆弱性指数变化的主要驱动因子。 展开更多
关键词 生态脆弱性 净初级生产力 Pearson相关分析 XGBoost shap 生态地质调查工程 四川省
在线阅读 下载PDF
青藏高原湖泊表层水温的非线性协同驱动机制:基于深度学习+SHAP融合分析框架
4
作者 石海韵 祁毅 +2 位作者 李婉宁 沈吉 倪天华 《湖泊科学》 北大核心 2026年第2期842-856,I0065,共16页
青藏高原是全球气候变化敏感区,其高海拔湖泊表层水温(LSWT)的演变对区域生态安全具有重要指示意义。在探究影响湖泊水温变化的因素时,相关研究普遍涉及气象条件、地形地貌等多种影响因子。然而,传统方法对多因子非线性交互效应的定量... 青藏高原是全球气候变化敏感区,其高海拔湖泊表层水温(LSWT)的演变对区域生态安全具有重要指示意义。在探究影响湖泊水温变化的因素时,相关研究普遍涉及气象条件、地形地貌等多种影响因子。然而,传统方法对多因子非线性交互效应的定量解析能力有限。本研究以青藏高原106个大中型湖泊为对象,构建基于长短期记忆网络(LSTM)的深度学习模型,结合SHAP(SHapley Additive exPlanation)可解释性方法,分别从整体与个体湖泊尺度上,定量分析了气温、降水、向下长波辐射、向下短波辐射、气压、比湿和风速7项因子对LSWT的影响。具体而言,研究系统解析了各驱动因子的独立作用效应、因子间的交互作用效应,以及这些效应在不同湖泊间的差异性,进而揭示了LSWT变化的驱动机制及其协同作用模式。结果表明:(1)向下长波辐射和向下短波辐射是LSWT的主导驱动因子,在整体与个体尺度的贡献度分别位列前两位(全局SHAP值占比>80%),且与LSWT呈显著正相关;气温、比湿次之,气压、降水和风速影响最小。(2)因子间交互效应普遍存在,识别出4类主导协同驱动模式:线型(如向下长波辐射-气温,67.92%湖泊)、倒U型(如比湿-气温,51.89%湖泊)、效应交叉型(如风速-比湿,70.75%湖泊)及阈值约束型(如降水-气压,100%湖泊)。(3)SHAP方法有效量化了协同驱动的非线性特征,揭示了高原湖泊对辐射因子的高度敏感性,归因于稀薄大气下太阳辐射的高渗透性。本研究创新性地融合深度学习与可解释性分析,为高海拔湖泊水温的复杂驱动机制提供了定量化解析框架,对预测气候变化背景下的水温响应及制定差异化调控策略具有重要科学意义。 展开更多
关键词 湖泊表层水温 深度学习 shap可解释性 协同驱动机制 阈值效应 青藏高原
在线阅读 下载PDF
基于XGBoost-SHAP模型的造船成本估算
5
作者 杨静 苏翔 +1 位作者 吴沣沛 李向远 《船舶工程》 北大核心 2026年第2期129-139,177,共12页
[目的]为提高船舶产品的报价成本、目标成本和预实成本阶段成本估算的效率和准确性,[方法]基于极端梯度提升(XGBoost)算法和沙普利加性解释(SHAP)分析法开展造船成本估算研究。筛选出影响造船成本的关键解释变量,基于SHAP分析法评估各... [目的]为提高船舶产品的报价成本、目标成本和预实成本阶段成本估算的效率和准确性,[方法]基于极端梯度提升(XGBoost)算法和沙普利加性解释(SHAP)分析法开展造船成本估算研究。筛选出影响造船成本的关键解释变量,基于SHAP分析法评估各影响因子对造船成本的影响程度,揭示造船成本的内外部影响机制,明确主要影响因子;在此基础上,构建融合XGBoost算法与SHAP可解释机器学习框架的造船成本估算模型。[结果]研究结果表明:能源价格指数、型深、汇率、工期和数字化转型程度等因素的SHAP值范围为-1×10^(7)~1×10^(7),均对造船成本产生影响;该模型的拟合优度R^(2)达到0.85,平均误差约为4.18%,能支撑准确、高效的造船成本估算;[结论]该模型能为船舶建造“事前筹划”“事中管控”“事后考核”的全流程成本管控提供数据驱动的决策支持。 展开更多
关键词 造船成本 XGBoost-shap模型 可解释框架 机器学习 成本估算
原文传递
基于WGAN-GP-Transformer的地表沉陷SHAP可解释预测模型
6
作者 刘超 夏大平 《金属矿山》 北大核心 2026年第2期203-217,共15页
为实现地表沉陷的精准预测,以及对预测结果进行深度解释来指导实际工程,提出了基于改进生成对抗网络(WGAN-GP)与Transformer的地表沉陷SHAP可解释模型。利用该模型对地表下沉量、影响角正切和拐点偏移距进行预测,从而将预测参数结合概... 为实现地表沉陷的精准预测,以及对预测结果进行深度解释来指导实际工程,提出了基于改进生成对抗网络(WGAN-GP)与Transformer的地表沉陷SHAP可解释模型。利用该模型对地表下沉量、影响角正切和拐点偏移距进行预测,从而将预测参数结合概率积分法来建立地表沉陷公式。首先,利用Wasserstein距离、梯度惩罚策略对传统生成对抗网络进行改进,以增强地表沉陷数据,丰富训练集。然后,采用基于多头自注意力机制的Transformer架构对增强数据进行深度学习,并通过贝叶斯优化寻优超参数。最后,基于SHAP法对预测过程与结果进行全面剖析解释,以揭示不同特征对预测参数的影响规律。结果表明:WGAN-GP-Transformer对下沉量、影响角正切与拐点偏移距在测试集上表现出优异的预测能力,表明模型能有效捕捉预测地表沉陷的复杂非线性特征,以及可有效应对数据稀缺的场景。揭示了影响3个预测参数的特征贡献强度与作用方向存在显著差异;松散层厚度对预测下沉量影响最大,采深对预测影响角正切和拐点偏移距的影响最大。模型在鲁西南某矿3301工作面的实际应用表明,其预测沉陷曲线与实际情况高度吻合,验证了其在实际工程中的可靠性与泛化性能。 展开更多
关键词 地表沉陷预测 Transformer WGAN-GP shap 深度学习
在线阅读 下载PDF
XGBoost与SHAP协同揭示河南省CH4柱浓度的时空分布及驱动因子
7
作者 姚伊玲 孙俊英 +2 位作者 张显云 吕佳敏 龚胜 《环境科学研究》 北大核心 2026年第3期590-601,共12页
为更好地解析河南省甲烷(CH_(4))柱浓度的时空特征及驱动因子,首先基于机器学习算法构建了CH_(4)柱浓度的估算模型,在此基础上对CH_(4)柱浓度进行了空间连续性估算以及时间特征和空间分布的揭示,最后针对机器学习模型可解释性较差的缺陷... 为更好地解析河南省甲烷(CH_(4))柱浓度的时空特征及驱动因子,首先基于机器学习算法构建了CH_(4)柱浓度的估算模型,在此基础上对CH_(4)柱浓度进行了空间连续性估算以及时间特征和空间分布的揭示,最后针对机器学习模型可解释性较差的缺陷,引入Shapley加性解释方法(SHAP)诊断分析了CH_(4)柱浓度驱动因子的重要性及作用机制。结果表明:(1)在所研究的机器学习模型中XGBoost(eXtreme Gradient Boosting)的精度最高,测试集上的决定系数、均方根误差和平均绝对误差分别为0.964、4.78×10^(-9)、3.11×10^(-9)。(2)2019-2023年河南省CH_(4)柱浓度月均值具有一定的增长趋势和季节周期性,呈春季下降、夏季上升、秋季达峰、冬季回落的季节循环模式,且季节性强度值为0.7568;空间分布上无论是月均值还是季均值,均表现为西部低、中部和东南部高的分布特征。(3)2 m地面温度、低植被叶面积指数和废弃物源排放量是影响CH_(4)柱浓度的3个主要因素,其中,2 m地面温度对CH_(4)柱浓度整体起正向作用,而低植被叶面积指数起负向作用;高温与密集低矮植被协同促进了CH_(4)柱浓度的升高,而高废弃物源排放量与强经向风的交互同样有助于CH_(4)柱浓度的升高。研究显示,2019-2023年河南省CH_(4)柱浓度虽整体变化趋势不显著,但受2 m地面温度、低植被叶面积指数及废弃物源排放量等因素影响,表现出明显的季节性波动特征与空间分异。 展开更多
关键词 甲烷柱浓度 时域特征 空间分布 shap 驱动因子 XGBoost
在线阅读 下载PDF
基于SHAP可解释特征优选的乌克兰作物制图研究
8
作者 刘腾 庞新华 +2 位作者 朱秀芳 曹建荣 姬忠林 《地理空间信息》 2026年第3期92-98,共7页
精确且高效地绘制冬小麦、玉米、大豆等作物的分布图,对于农业资源管理、作物种植规划和农业政策制定等都具有重要作用。聚焦于乌克兰农业区域,基于Sentinel-2遥感影像,结合Spearman相关系数和SHAP特征优选方法,优化了冬小麦、玉米和大... 精确且高效地绘制冬小麦、玉米、大豆等作物的分布图,对于农业资源管理、作物种植规划和农业政策制定等都具有重要作用。聚焦于乌克兰农业区域,基于Sentinel-2遥感影像,结合Spearman相关系数和SHAP特征优选方法,优化了冬小麦、玉米和大豆等主要作物的制图流程;并评估了7种特征组合策略与3种机器学习模型在区分主要作物类型上的效能。结果表明:①Spearman相关系数与SHAP相结合的特征选择方法效果最佳;②基于Spearman相关系数与SHAP相结合得到的最优特征,LightGBM算法的分类精度最高,冬小麦制图的总体精度和Kappa系数为95.42%和90.83%,玉米、大豆制图的总体精度和Kappa系数为96.19%和94.28%,分类结果与统计年鉴数据高度一致,冬小麦、大豆和玉米的面积提取精度分别达到97.31%、97.55%和99.61%。 展开更多
关键词 Sentinel-2 机器学习 shap 特征优选 作物制图
在线阅读 下载PDF
基于机器学习的SHAP和PDP分析对UHPC流变性能的研究
9
作者 周祥胥 段锋 朱博 《材料导报》 北大核心 2026年第2期86-93,共8页
本工作使用机器学习方法结合可解释性工具Shapley Additive exPlanations(SHAP)和Partial Dependence Plot(PDP)来准确预测超高性能混凝土(UHPC)的流变性。通过收集大量的UHPC流变参数相关数据,输入包括用水量、矿物掺合料掺量以及外加... 本工作使用机器学习方法结合可解释性工具Shapley Additive exPlanations(SHAP)和Partial Dependence Plot(PDP)来准确预测超高性能混凝土(UHPC)的流变性。通过收集大量的UHPC流变参数相关数据,输入包括用水量、矿物掺合料掺量以及外加剂掺量等在内的变量,构建了四种机器学习预测模型,通过R^(2)、MAE以及RMSE等评估指标选出最佳模型,并进行SHAP以及PDP分析。实验结果表明,最佳机器学习模型结合SHAP和PDP的方法能够有效地预测UHPC的流变性,并且方法的可解释性有助于更好地理解模型的预测过程和结果,为进一步优化UHPC配合比提供了依据。 展开更多
关键词 shap PDP 超高性能混凝土(UHPC) 机器学习 流变性能
在线阅读 下载PDF
融合GWRF和SHAP的长三角城市群数字经济与碳排放时空耦合特征及影响因素研究
10
作者 张嵌玮 席广亮 《热带地理》 北大核心 2026年第1期110-128,共19页
文章运用地理加权随机森林(GWRF)与机器学习模型输出解释方法(SHAP),解析2011—2023年长三角地区城市数字经济与碳排放的时空耦合特征及影响因素。研究发现:1)城市群耦合协调度由0.411升至0.505,形成上海单核引领、苏浙跟进、安徽快增... 文章运用地理加权随机森林(GWRF)与机器学习模型输出解释方法(SHAP),解析2011—2023年长三角地区城市数字经济与碳排放的时空耦合特征及影响因素。研究发现:1)城市群耦合协调度由0.411升至0.505,形成上海单核引领、苏浙跟进、安徽快增但临界失调的多级联动格局。2)城市层面耦合协调度呈现“中枢—走廊—边缘”的梯度扩散模式,与长三角一体化战略及基础设施互联的区域发展方向高度契合。3)结合SHAP结果发现,数字要素对数字经济与碳排放之间的耦合协调具有正向效应,且自核心城市向制造节点与新兴产业区扩散;与之相反,碳排放要素则抑制二者协同。研究表明,数字经济与人力资本集聚在产业升级和碳减排中具有核心驱动作用,为长三角优化资源配置、制定差异化低碳政策提供了科学依据,助力区域在数字经济与绿色竞争中实现高质量发展。 展开更多
关键词 地理加权随机森林(GWRF) shap 数字经济 碳排放 耦合协调 长三角城市群
在线阅读 下载PDF
基于改进残差网络和SHAP的糖尿病预测及可解释性分析
11
作者 魏国政 魏丽丽 +3 位作者 宋廷强 渠蓉蓉 孙媛媛 董凡琦 《计算技术与自动化》 2026年第1期151-157,共7页
针对糖尿病预测领域中可靠性与可解释性不足问题,提出了基于改进深度残差网络的预测算法。该算法嵌入了根据数据集特性设计的特征自注意力机制,并辅以SHAP模型以增强可解释性。SHAP能够精准定位并可视化影响糖尿病预测的关键因素,提升... 针对糖尿病预测领域中可靠性与可解释性不足问题,提出了基于改进深度残差网络的预测算法。该算法嵌入了根据数据集特性设计的特征自注意力机制,并辅以SHAP模型以增强可解释性。SHAP能够精准定位并可视化影响糖尿病预测的关键因素,提升预测逻辑的透明度与实用价值。实验在Pima公开数据集及青岛某三甲综合医院私有数据集上展开,RAC模型与朴素贝叶斯、逻辑回归、支持向量机等模型进行了对比。结果显示,RAC的分类准确率、灵敏度、特异性、F 1分数值均优于其他模型,验证了其在临床实践中早期预警或辅助诊断的潜力。 展开更多
关键词 糖尿病预测 可解释性 改进深度残差网络 特征自注意力机制 shap模型
在线阅读 下载PDF
基于机器学习和SHAP分析的城际儿科患者流动影响因素研究
12
作者 陈俊霖 肖翠萍 +1 位作者 杨翠丽 付谦 《卫生软科学》 2026年第3期11-16,共6页
[目的]从机器学习与可解释性分析视角出发,探讨城际儿科患者流动的关键影响因素及其非线性效应,为优化儿科医疗资源区域配置、推动分级诊疗体系建设提供量化依据。[方法]基于2019—2023年湖北省城际儿科患者流动数据,结合医疗资源、社... [目的]从机器学习与可解释性分析视角出发,探讨城际儿科患者流动的关键影响因素及其非线性效应,为优化儿科医疗资源区域配置、推动分级诊疗体系建设提供量化依据。[方法]基于2019—2023年湖北省城际儿科患者流动数据,结合医疗资源、社会经济、地理距离与公共卫生冲击四类指标,构建XGBoost机器学习模型,预测儿科患者流动规模,并采用SHAP方法解析关键影响因素。[结果]模型在验证集上决定系数(R^(2))达0.910,具备良好预测能力。SHAP分析显示,流入地儿科医师数、城际距离和区域人均可支配收入相对值为三大关键因素,其影响均呈现非线性特征,并识别出显著促进或抑制流动的阈值点。[结论]通过机器学习方法揭示了城际儿科患者流动的关键规律,为儿科医疗资源的科学配置与分级诊疗体系的完善提供了实证支持。 展开更多
关键词 儿科患者流动 机器学习 shap分析 医疗资源配置
在线阅读 下载PDF
基于LightGBM-SHAP的重载货车运输事故严重程度影响因素
13
作者 李帅杰 钱大琳 +1 位作者 方琼 周锦婷 《公路交通科技》 北大核心 2026年第3期1-9,共9页
【目标】目前重载货车交通事故数量逐年上升,重载货车运输事故造成的损害往往更为严重,而分析影响重载货车运输事故严重程度的因素,对重载货车运输事故预防至关重要。【方法】通过收集美国事故记录采样系统数据库中2016—2020年的重载... 【目标】目前重载货车交通事故数量逐年上升,重载货车运输事故造成的损害往往更为严重,而分析影响重载货车运输事故严重程度的因素,对重载货车运输事故预防至关重要。【方法】通过收集美国事故记录采样系统数据库中2016—2020年的重载货车运输事故数据2616条,运用相关性分析和递归特征消除算法进行了特征筛选,从驾驶员、车辆、道路、环境、时间、空间和事故形式7个维度提取了15个影响重载货车事故严重程度的潜在因素,并使用基于K近邻的自适应合成抽样算法(ADASYN)消除了训练集的类别不平衡问题。在数据处理基础上,采用LightGBM,XGBoost,RF和SVM算法分别构建了4种事故严重程度预测模型,然后引入SHAP方法分析了特征因素对事故严重程度的影响机制。【结果】构建的LightGBM模型综合性能最优,就预测性能而言,LightGBM模型预测更准确,其精度、F1值和AUC分别为0.8721,0.8724和0.9669;就训练速度而言,LightGBM模型的训练速度(7.65 s)比XGBoost快2.5倍多,比SVM和RF分别快7倍和16倍。【结论】基于SHAP框架的模型解释显示,碰撞方式、不安全驾驶行为、时段、月份、日期类型、行车道属性是影响事故严重程度的关键因素。其中,酒驾或毒驾、不遵守交通标志或信号、深度疲劳驾驶、超速行驶、违规分心驾驶、正面相撞、角度碰撞,会较大程度促进重伤和死亡事故发生,并且重载货车在0:00—4:00时段发生死亡事故的概率偏高。研究结果可为重载货车运输事故预防及其运输安全管理提供一定理论依据。 展开更多
关键词 智能交通 事故影响因素 LightGBM-shap模型 重载货车 运输事故严重程度
原文传递
新型炎症指数对老年重症心力衰竭患者近期死亡风险的预测价值:基于SHAP算法的可解释性分析
14
作者 张婷 陈睿 曹文斋 《中华保健医学杂志》 2026年第1期5-10,共6页
目的 构建可解释性机器学习模型,预测老年重症心力衰竭患者短期死亡风险,并探讨新型炎症指数的预测价值。方法回顾性分析MIMIC-IV 3.1数据库中诊断为心力衰竭的老年重症患者1994例,按7∶3的比例随机分为训练集和测试集。采用6种机器学... 目的 构建可解释性机器学习模型,预测老年重症心力衰竭患者短期死亡风险,并探讨新型炎症指数的预测价值。方法回顾性分析MIMIC-IV 3.1数据库中诊断为心力衰竭的老年重症患者1994例,按7∶3的比例随机分为训练集和测试集。采用6种机器学习方法建立预测模型,包括logistic回归(LR)、决策树(DT)、随机森林(RF)、自适应增强(AdaBoost)、轻量梯度提升(LightGBM)、高斯朴素贝叶斯(NB)。模型效能通过受试者工作特征(ROC)曲线、精确率-召回率(P-R)曲线、校准曲线评估。采用SHAP进行模型解释并筛选核心炎症指数,通过ROC曲线确定最佳临界值。结果本研究共纳入1994例老年重症心力衰竭患者,28 d内死亡253例(12.7%),存活1741例(87.3%)。经初筛,纳入65个临床特征用于机器学习模型构建。结果显示LightGBM模型展现出最佳的预测性能,ROC曲线下面积(AUC)为[0.897(0.881~0.909)],P-R曲线的平均精度(AP)为0.86,校准曲线显示预测概率与实际观察结果一致。SHAP值分析揭示急性生理学评分Ⅲ(APSⅢ)、格拉斯哥昏迷评分(GCS)、单核细胞与淋巴细胞比值(MLR)、呼吸频率(RR)、年龄、血尿素氮、牛津急性疾病严重度评分(OASIS)、血管紧张素转化酶抑制剂(ACEI)、中性粒细胞与淋巴细胞比值(NLR)、营养风险指数(NRI)是重要的影响因素。ROC曲线分析MLR、NLR的AUC分别为0.682、0.667,以0.426、7.083为截断值,敏感度为0.747、0.751,特异度为0.529、0.503。结论LightGBM模型可较好地预测老年重症心力衰竭患者短期死亡风险,以NLR、MLR为代表的新型炎症指数对老年心力衰竭患者短期死亡风险分层具有潜在临床应用价值。 展开更多
关键词 心力衰竭 死亡风险 单核细胞与淋巴细胞比值 中性粒细胞与淋巴细胞比值 shap算法
暂未订购
基于SHAP与LIME融合的普惠金融算法偏见治理框架研究
15
作者 王书畅 许永峰 《中国集体经济》 2026年第12期141-144,共4页
人工智能在普惠金融信贷场景的深度渗透,可能引发对弱势群体的系统性歧视,进而削弱普惠金融的公平性与包容性。文章比较可解释人工智能中SHAP与LIME两种主流解释方法,提出以SHAP为主导开展群体与全局偏见检测,以LIME补充个体级审计与可... 人工智能在普惠金融信贷场景的深度渗透,可能引发对弱势群体的系统性歧视,进而削弱普惠金融的公平性与包容性。文章比较可解释人工智能中SHAP与LIME两种主流解释方法,提出以SHAP为主导开展群体与全局偏见检测,以LIME补充个体级审计与可行性建议的融合治理框架,该框架为算法偏见的定位、归因与修复提供可解释的技术依据,有助于推动负责任的普惠金融创新实践。 展开更多
关键词 普惠金融 算法偏见 shap LIME 可解释性 模型审计
在线阅读 下载PDF
GA-RF:基于SHAP的不平衡数据中风识别的优化研究
16
作者 胡译丹 高阳 +1 位作者 尹畅 过子宽 《理论数学》 2026年第1期17-28,共12页
在疾病初筛的场景中,数据失衡会导致分类器偏向多数类的预测偏差,对模型的性能产生影响。因此,选择合适的数据不平衡处理策略与分类器,对改进性能具有关键意义。本文分析不平衡的中风数据集,构建多种实验方案:引入11种数据不平衡处理方... 在疾病初筛的场景中,数据失衡会导致分类器偏向多数类的预测偏差,对模型的性能产生影响。因此,选择合适的数据不平衡处理策略与分类器,对改进性能具有关键意义。本文分析不平衡的中风数据集,构建多种实验方案:引入11种数据不平衡处理方法,结合4种机器学习算法对中风患者进行识别(逻辑回归、SVM、CNN、随机森林)。在多组模型的对比中,得到RUS处理后的逻辑回归、SVM与随机森林优于其他方法,并引入PCA降维分析噪声数据。然后,利用PSO、GA、DE、BO对这3个模型进行优化,得到GA-RF的AUC为84.18%,Recall为91.06%,优势显著。最后,为突破解释性局限,采用SHAP对模型的特征重要性进行分析,得到年龄对中风识别的作用远超其余特征。 展开更多
关键词 数据不平衡处理 中风 随机森林 优化算法 shap
在线阅读 下载PDF
基于XGBoost-SHAP算法的夏热冬冷地区住宅建筑碳排放时空演变及影响因素研究
17
作者 么智 《环境工程技术学报》 北大核心 2026年第1期83-99,共17页
为系统探究夏热冬冷地区住宅建筑碳排放的时空演变规律及其驱动机制,利用2007—2021年九省市的面板数据,采用Slope值、泰尔指数及标准差椭圆等方法探究碳排放的时空特征,结合经贝叶斯超参数优化的XGBoost-SHAP框架,分析该地区碳排放的... 为系统探究夏热冬冷地区住宅建筑碳排放的时空演变规律及其驱动机制,利用2007—2021年九省市的面板数据,采用Slope值、泰尔指数及标准差椭圆等方法探究碳排放的时空特征,结合经贝叶斯超参数优化的XGBoost-SHAP框架,分析该地区碳排放的驱动机制差异。结果发现:碳排放总量从2007年的185.64百万t增至2021年的334.61百万t,增速呈现显著的阶段性特征;空间分布呈现出显著的上下游梯度特征及南北向集聚、东西向发散的演化趋势,区域内差异贡献率持续超过90%;影响维度的作用大小为人口规模>技术水平>经济发展>建筑属性>政策支持>气候特征,上、中、下游地区分别呈现“能源主导型”“人口主导型”和“能源经济双轮驱动型”的差异化发展模式,各影响因素普遍存在显著的非线性效应和临界特征。针对区域差异,提出构建“三层联动”的区域协同机制,实施“双轨并进”“精细化管理”和“系统集成”的差异化减排策略。 展开更多
关键词 夏热冬冷地区 住宅建筑 碳排放 时空演变 XGBoost-shap算法
在线阅读 下载PDF
基于多模型集成与SHAP解释的秦巴山区滑坡易发性评价研究
18
作者 王妍 韩雪 +3 位作者 刘凡 刘文瑞 冯靖康 贺创会 《陕西地质》 2026年第1期64-74,共11页
滑坡是最常见且危害性巨大的地质灾害之一,其空间分布具有显著的区域性与复杂性。为提高滑坡易发性区划的精度与可解释性,本文以安康市县河镇滑坡数据为基础,选取斜坡结构、斜坡类型、地貌、平面曲率、剖面曲率、坡向、坡度、高程、道... 滑坡是最常见且危害性巨大的地质灾害之一,其空间分布具有显著的区域性与复杂性。为提高滑坡易发性区划的精度与可解释性,本文以安康市县河镇滑坡数据为基础,选取斜坡结构、斜坡类型、地貌、平面曲率、剖面曲率、坡向、坡度、高程、道路缓冲区、河流缓冲区等10类评价因子,采用随机森林(RF)、极端梯度提升(XGBoost)、支持向量机(SVM)和轻量级梯度提升机(LightGBM)4种机器学习模型,开展滑坡易发性评价。通过AUC、Accuracy、Precision、Recall、F1-Score、MCC等指标对模型性能进行评估,结合滑坡易发性分区的面积占比与滑坡点数占比分析模型合理性,利用SHAP(SHapley Additive exPlanations)模型揭示评价因子的影响机制。结果表明:RF模型性能最优(AUC=0.8413),其划定的极高易发性区仅占全区面积的6.79%,却包含了47.17%的历史滑坡点,具有显著的分区效率;道路缓冲区是影响滑坡易发性的关键因子,平面曲率与剖面曲率呈显著负相关。本研究可为区域滑坡防治规划提供科学依据。 展开更多
关键词 滑坡易发性 机器学习 随机森林 极端梯度提升 shap解释 因子解释
在线阅读 下载PDF
基于SHAP的可解释机器学习在混凝土抗压强度预测中的应用
19
作者 张寰宇 刘辰 周源芳 《芜湖职业技术大学学报》 2026年第1期26-31,共6页
为实现混凝土抗压强度预测的智能化并提升其过程透明度,研究采用可解释机器学习方法,系统对比了决策树、随机森林、支持向量机和深度神经网络四种模型的预测效能。结果表明,深度神经网络的预测精度最高,测试数集决定系数达到0.90。在此... 为实现混凝土抗压强度预测的智能化并提升其过程透明度,研究采用可解释机器学习方法,系统对比了决策树、随机森林、支持向量机和深度神经网络四种模型的预测效能。结果表明,深度神经网络的预测精度最高,测试数集决定系数达到0.90。在此基础上,进一步采用SHAP(Shapley Additive Explanations)与PDP(Partial Dependence Plot)方法对深度神经网络预测的物理机制进行解析,明确了各输入变量在混凝土抗压强度预测中的重要性排序。其中,水泥用量、龄期和用水量等变量对强度具有显著影响,且变量之间的非线性交互关系对强度预测结果产生了显著作用。 展开更多
关键词 混凝土抗压强度 机器学习 可解释性分析 shap PDP
在线阅读 下载PDF
LOFO-SHAP框架下我国高被引学者的生产效率驱动机制研究
20
作者 潘瑾琼 《黑龙江科学》 2026年第5期58-61,共4页
为深入揭示科研人员学术生产力的核心驱动要素,将研究视角从传统“学术影响力”维度转向“学术产出效率”层面。选取785名高被引学者作为研究样本,构建了包含20个特征变量的综合数据集,创新性地提出“先宏观筛选、后微观归因”的LOFO-S... 为深入揭示科研人员学术生产力的核心驱动要素,将研究视角从传统“学术影响力”维度转向“学术产出效率”层面。选取785名高被引学者作为研究样本,构建了包含20个特征变量的综合数据集,创新性地提出“先宏观筛选、后微观归因”的LOFO-SHAP整合分析框架。该框架通过留一特征排除法(LOFO)高效识别出对生产力预测具有决定性影响的核心变量,在对比6种主流算法的预测性能后选取表现最优的极端梯度提升(XGB)模型开展精准预测,借助沙普利加性解释(SHAP)对筛选出的核心变量展开深度归因分析。研究结果表明,研究主题专注度是预测学者持续产出的核心驱动因素之一,其重要性显著高于期刊影响因子等传统指标。研究为解析学术“多产”现象提供了全新的量化视角,验证了LOFO-SHAP整合框架在复杂社会科学研究场景中可显著提升机器学习模型的可解释性、分析效率与洞察深度。 展开更多
关键词 学术生产效率预测 高被引学者 机器学习 LOFO shap
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 54 下一页 到第 页
使用帮助 返回顶部