XiaoMi-AI文件搜索系统
World File Search SystemLightGBM
使用LightGBM和Shap
摘要：疟疾继续构成重大的全球健康威胁，抗药性疟疾的出现加剧了挑战，强调了对新抗疟药的迫切需求。虽然已经将几种机器学习算法应用于抗性化合物的定量结构 - 活性关系（QSAR）建模，但仍需要更需要进行更可解释的模拟，以提供有关药物作用的潜在机制，从而促进新化合物的合理设计。本研究使用轻梯度增强机（LightGBM）开发了QSAR模型。该模型与沙普利添加剂解释（SHAP）集成在一起，以增强可靠性。LightGBM模型在预测抗性激活方面表现出了卓越的性能，其AC屏性为86％，精度为85％，灵敏度为81％，特异性为89％，F1得分为83％。SHAP分析确定关键分子描述符，例如MaxDO和GATS2M，是抗疟疾活性的重要促进者。LightGBM与Shap的整合不仅增强了QSAR模型的预测性交流性，而且还为特征的重要性提供了宝贵的见解，从而有助于新的抗疟药的合理设计。这种方法弥合了模型准确性和可解释性之间的差距，为有效有效的药物疾病提供了强大的框架，以抵抗耐药性疟疾菌株。
通过LightGBM机器学习改进了降水类型的诊断
摘要：现有的降水类型算法很难辨别出冰冻雨水和冰球的发生。这些固有的偏见不仅在操作预测中是有问题的，而且使基于模型的降水类型气候的发展变得复杂。为了解决这些问题，本文介绍了一种新型的轻梯度增强机（LightGBM）基于基于的机器学习降水型算法，该算法利用重新分析和表面观测。通过将其与布尔戈因降水类型算法作为基线进行比较，我们证明了我们的算法改善了所有检查的降水类型的关键成功指数（CSI）。此外，与重新分析中的降水类型诊断相比，我们的算法表现出降雪，冷冻雨和冰颗粒的F1评分。随后，我们利用该算法来计算美国东部的冻结气候。由此产生的气候模式与观察良好吻合；但是，观察到显着的平均偏见。我们将这种偏见解释为对算法本身和关于降水过程的假设的影响，包括与冻伤，降水发生和区域概要天气模式有关的偏见。为了减轻整体偏差，我们提出将降水量从0.04增加到0.25 mm H 2 1，因为它更好地反映了沉淀观测的精度。这种调整可大大减少整体偏差。最后，鉴于LightGBM在预测混合降水事件方面的出色表现，我们预计该算法可以在操作环境中有效利用，并在气候模型输出中诊断降水类型。
基于SHAP、LIME和LightGBM的XAI
我们使用基于 SHapley 加法解释 (SHAP)、局部可解释模型不可知解释 (LIME) 和光梯度增强机 (LightGBM) 的最新可解释人工智能 (XAI) 来分析各种物理农业 (农业) 工人数据集。我们开发了各种有前景的身体感应系统，以增强农业技术进步、培训和工人发展以及安全性。然而，现有的方法和系统不足以深入分析人体运动。因此，我们还开发了可穿戴传感系统 (WS)，它可以通过分析不同农田、草地和花园中的人体动态和统计数据来捕获与农业工人运动相关的实时三轴加速度和角速度数据。在使用用 Python 编写的新程序调查获得的时间序列数据后，我们与真正的农业工人和管理人员讨论了我们的发现和建议。在本研究中，我们使用 XAI 和可视化来分析有经验和缺乏经验的农业工人的多样化数据，以开发一种供农业主管培训农业工人的应用方法。