TY -的A2沈宥晟盟——阮,广洪盟- Ly, Hai-Bang AU - Ho Lanh Si AU -安Nadhir AU - Le协福凡盟- Tran Van全非盟-普拉卡什,因陀罗盟——范教授,阿萍泰国PY - 2021 DA - 2021/02/08 TI -数据分割的影响性能的机器学习模型预测土壤抗剪强度SP - 4832864六世- 2021 AB -本研究的主要目的是评估和比较不同的机器学习(ML)算法的性能,即人工神经网络(ANN),极端学习机(ELM),和提高树(提高)算法,考虑各种培训的影响在预测土壤抗剪强度测试比率,一个最重要的岩土工程性质在土木工程设计和施工。对于这个目标,一个数据库从长范围内收集的538份土壤样本1电厂项目,越南,是利用生成的数据集建模过程。不同的比率(即。,10/90,20/80,30/70,40/60,50/50,60/40,70/30,80/20,90/10)被用来将数据集划分为训练和测试数据集的性能评估模型。受欢迎的统计指标,如根均方误差(RMSE),平均绝对误差(MAE)和相关系数( R),是用来评估模型的预测能力在不同的训练和测试比率。此外,蒙特卡罗模拟是同时进行评估提出的性能模型,考虑到随机抽样效果。结果表明,尽管所有三毫升模型表现良好,安最准确,统计1000年之后蒙特卡罗模拟(平均稳定模型 R= 0.9348)与其他模型相比,如提高(的意思 R= 0.9192)和榆树的意思 R= 0.8703)。调查的性能模型表明,毫升的预测能力模型极大地影响了培训/测试比率,70/30的一个模型的最佳性能。本文提供简明,结果显示数据集的有效方式选择合适的比率和最好的ML模型准确地预测土壤抗剪强度,这将有助于建设项目的设计和工程阶段。SN - 1024 - 123 - 2021/4832864 / 10.1155 x你——https://doi.org/10.1155/2021/4832864——摩根富林明——数学问题在工程PB - Hindawi KW - ER