机构名称：
¥ 2.0
与科学和工程等“硬”学科相比，对能源的社会方面和应用机器学习（ML）（ML）的研究受到限制。我们的目标是通过这项综合能源，社会科学和ML的多学科研究为这个利基提供贡献。具体来说，我们的目的是：（i）比较家庭（HH）能量中不同ML模型的适用性； （ii）使用最合适的模型来解释人们对HH能量的看法。我们对发展中国家（尼泊尔）的323 HHS进行了横断面调查，并提取了14个预测变量和一个响应变量。我们测试了七个ML模型的性能：K-最近的邻居（KNN），多层感知器（MLP），额外的树分类器（ETC），Random Forest（RF），Ridge Classifier（RC），多项式回归 - Logit（MR-L）和ProbIT（MR-P）在分类中的人的反应中。对六个指标（混淆矩阵，精度，F1得分，召回，平衡精度和总体精度）进行评估。在这项研究中，的表现优于所有其他模型，表明对同意，中性和不同意响应类别的平衡精度分别为0.79、0.95和0.68。 结果表明，与常规的统计模型相比，数据驱动的ML模型在对人们的看法进行分类方面更好。 可以看出，大多数来自农村（68％）和半城市地区（67％）的被调查人（67％）往往会因经济限制和缺乏认识而抵抗能源的变化。 有趣的是，大多数（73％）的城市居民对变化开放，但由于对该州的不信任，仍然诉诸燃料。的表现优于所有其他模型，表明对同意，中性和不同意响应类别的平衡精度分别为0.79、0.95和0.68。结果表明，与常规的统计模型相比，数据驱动的ML模型在对人们的看法进行分类方面更好。可以看出，大多数来自农村（68％）和半城市地区（67％）的被调查人（67％）往往会因经济限制和缺乏认识而抵抗能源的变化。有趣的是，大多数（73％）的城市居民对变化开放，但由于对该州的不信任，仍然诉诸燃料。这些基层水平的反应具有强大的政策影响。
尼泊尔案件
主要关键词
相关文件推荐
