.png){kind=icon}
返回
A systematic evaluation of data preprocessing and model optimization for machine learning algorithms: Using sphalerite trace element data as an example
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jseaes.2025.106728.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• KNN插补对数据结构的影响相对较小。
• 中心对数比率或对数转换对PCA、t-SNE、LDA、PLS-DA和SVM有效。
• 特征选择可以优化算法并增强结果的可解释性。
• 网格搜索和交叉验证能够有效提升算法的准确性。
• XGBoost在未填充数据上展现出卓越的分类性能。
期刊
IF:
2.4
论文数:
651
被引数:
1.9W
机构
暂无机构信息
引用论文
Centered Log-Ratio (clr) Transformation and Robust Principal Component Analysis of Long-Term NDVI Data Reveal Vegetation Activity Linked to Climate Processes.png)
Climate
OAAI
ClimateIF0
OAAI分享收藏
Distinguishing Ore Deposit Type and Barren Sedimentary Pyrite Using Laser Ablation-Inductively Coupled Plasma-Mass Spectrometry Trace Element Data and Statistical Analysis of Large Data SetsECONOMIC GEOLOGYOAAI
ECONOMIC GEOLOGYIF4.9
OAAI分享收藏Taking the Human Out of the Loop: A Review of Bayesian Optimization将人类带出循环: 贝叶斯优化的回顾PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏Trace Element Composition of Igneous and Hydrothermal Magnetite from Porphyry Deposits: Relationship to Deposit Subtypes and Magmatic Affinity斑岩矿床中岩浆岩和热液磁铁矿的微量元素组成: 与矿床亚型和岩浆亲和力的关系ECONOMIC GEOLOGY
ECONOMIC GEOLOGYIF4.9
PREAI
分享收藏分享收藏分享收藏
查看更多内容