首页|基于机器学习回归模型的矿石加工参数预测

基于机器学习回归模型的矿石加工参数预测

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
本文旨在探究矿石加工过程中,原矿参数、系统设定温度、矿石产品质量指标、过程数据等参数之间的关系,研究利用SPSSPRO数据分析平台对比多个机器学习回归模型,选取XGBoost模型对各参数进行了预测,得出了针对目标问题的最优解.在建立回归模型的过程中,首先,使用SPSSPRO平台对整理后的数据进行了Spearman系数和显著性分析,排除了多元回归模型;其次,将原矿参数和系统Ⅰ、Ⅱ温度作为自变量,评价指标作为因变量,使用机器学习中的线性回归、决策树、随机森林、GBDT、XGBoost五个模型进行回归,比较了各模型的相关指数R2;最后,选择了XGBoost模型进行预测,得到了在给定系统温度时两组指标的预测值.

张羽杉、叶颖

展开 >

南京理工大学,江苏南京 210000

机器学习 回归预测 XGBoost Spearman相关系数

2024

模型世界
体育博览杂志社

模型世界

影响因子：0.004
ISSN：1008-8016
年,卷(期)：2024.(2)
  • 6