論文の概要: Intelligent Gradient Boosting Algorithms for Estimating Strength of Modified Subgrade Soil

• arxiv url: http://arxiv.org/abs/2501.04826v1
• Date: Wed, 08 Jan 2025 20:26:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-10 13:59:51.960525
• Title: Intelligent Gradient Boosting Algorithms for Estimating Strength of Modified Subgrade Soil
• Title（参考訳）: 改良サブグレード土壌の強度推定のための知能勾配ブースティングアルゴリズム
• Authors: Ismail B. Mustapha, Muyideen Abdulkareem, Shafaatunnur Hasan, Abideen Ganiyu, Hatem Nabus, Jin Chai Lee,
• Abstract要約: 本研究は,水和ライム活性米灰 (HARSH) で改質した土壌の分類的増進 (CatBoost) と極勾配増進 (XGBoost) と支持ベクトル回帰 (SVR) を用いて特性を推定する。 その結果、XGBoostはCBR, UCS, Rをそれぞれ0.9994, 0.9995, 0.9999と、これらの特性を推定する際のCatBoostおよびSVRよりも優れていた。
• 参考スコア（独自算出の注目度）: 0.14843690728081999
• License:
• Abstract: The performance of pavement under loading depends on the strength of the subgrade. However, experimental estimation of properties of pavement strengths such as California bearing ratio (CBR), unconfined compressive strength (UCS) and resistance value (R) are often tedious, time-consuming and costly, thereby inspiring a growing interest in machine learning based tools which are simple, cheap and fast alternatives. Thus, the potential application of two boosting techniques; categorical boosting (CatBoost) and extreme gradient boosting (XGBoost) and support vector regression (SVR), is similarly explored in this study for estimation of properties of subgrade soil modified with hydrated lime activated rice husk ash (HARSH). Using 121 experimental data samples of varying proportions of HARSH, plastic limit, liquid limit, plasticity index, clay activity, optimum moisture content, and maximum dry density as input for CBR, UCS and R estimation, four evaluation metrics namely coefficient of determination (R2), root mean squared error (RMSE), mean absolute error (MAE) and mean absolute percentage error (MAPE) are used to evaluate the models' performance. The results indicate that XGBoost outperformed CatBoost and SVR in estimating these properties, yielding R2 of 0.9994, 0.9995 and 0.9999 in estimating the CBR, UCS and R respectively. Also, SVR outperformed CatBoost in estimating the CBR and R with R2 of 0.9997 respectively. On the other hand, CatBoost outperformed SVR in estimating the UCS with R2 of 0.9994. Feature sensitivity analysis shows that the three machine learning techniques are unanimous that increasing HARSH proportion lead to values of the estimated properties respectively. A comparison with previous results also shows superiority of XGBoost in estimating subgrade properties.
• Abstract（参考訳）: 載荷時の舗装性能は、サブグレードの強度に依存する。 しかし,カリフォルニア軸受比 (CBR) , 圧縮強度 (UCS) , 抵抗値 (R) などの舗装強度特性の実験的評価は, 退屈で, 時間がかかり, コストがかかるため, 簡単で安価で高速な代替手段である機械学習ツールへの関心が高まっている。 そこで, キャットブースト (CatBoost) と極勾配ブースト (XGBoost) と支持ベクトル回帰 (SVR) の2つの促進技術の適用可能性について検討した。 CBR, UCS, R推定のための入力として, HARSH, 可塑性限界, 液体限界, 塑性指数, 粘土活性, 最適水分量, 最大乾量密度の121種類の実験データサンプルを用い, モデルの性能評価には, 決定係数(R2), 根平均二乗誤差(RMSE), 平均絶対誤差(MAE), 平均絶対誤差(MAPE)の4つの評価指標を用いた。 その結果、XGBoostはCatBoostとSVRでそれぞれ0.9994、0.9995、0.9999、それぞれCBR、UCS、Rを推定した。 また、SVRはCBRとRをそれぞれ0.9997のR2で推定する際のCatBoostよりも優れていた。 一方、CatBoost は UCS を 0.9994 の R2 で推定すると SVR を上回った。 特徴感度解析により,HARSH比の増大がそれぞれ推定特性の値に繋がる3つの機械学習手法が一様であることが示された。 以前の結果との比較では, 次亜次特性の推定におけるXGBoostの優位性も示された。

関連論文リスト

• Zero-Inflated Tweedie Boosted Trees with CatBoost for Insurance Loss Analytics [0.8287206589886881]
  我々はTweedie回帰モデルを変更し、様々なタイプの保険の集合的請求をモデル化する際の限界に対処する。 我々の推奨するアプローチは、0-claimプロセスの洗練されたモデリングとブースティング手法の統合である。 モデル化の結果,モデルの性能が著しく向上し,より正確な予測を行う可能性が示された。
  論文  参考訳（メタデータ） (2024-06-23T20:03:55Z)
• Estimating the Hessian Matrix of Ranking Objectives for Stochastic Learning to Rank with Gradient Boosted Trees [63.18324983384337]
  グラディエントブースト決定木(GBDT)のランク付け手法について紹介する。 我々の主な貢献は、二階微分、すなわちヘッセン行列に対する新しい推定器である。 推定器を既存のPL-Rankフレームワークに組み込む。
  論文  参考訳（メタデータ） (2024-04-18T13:53:32Z)
• Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [61.64685376882383]
  ランク付け学習(CLTR: Counterfactual Learning to rank)は、IRコミュニティにおいて、ログ化された大量のユーザインタラクションデータを活用してランキングモデルをトレーニングする能力において、大きな注目を集めている。 本稿では,複雑かつ多様な状況における既存のCLTRモデルのロバスト性について検討する。 その結果, DLAモデルとIPS-DCMは, PS-PBMやPSSよりも, オフラインの確率推定による堅牢性が高いことがわかった。
  論文  参考訳（メタデータ） (2024-04-04T10:54:38Z)
• Enabling Uncertainty Estimation in Iterative Neural Networks [49.56171792062104]
  本研究では,アンサンブルのような手法よりもはるかに低い計算コストで最先端の見積もりを提供する不確実性推定手法を開発する。 航空画像における道路検出と2次元および3次元形状の空力特性の推定という2つの応用領域に組み込むことで,その実用的価値を実証する。
  論文  参考訳（メタデータ） (2024-03-25T13:06:31Z)
• Comparative Analysis of XGBoost and Minirocket Algortihms for Human Activity Recognition [0.0]
  本研究では,スマートフォンセンサから収集したデータを用いて,HAR(Human Activity Recognition)領域におけるeXtreme Gradient Boosting(XGBoost)とMiniRocketについて検討した。 XGBoostは、アクティビティ分類において、精度、F1スコア、AUC値が0.99まで到達する。 MiniRocketは精度とF1値が0.94であり、AUC値が0.96である。
  論文  参考訳（メタデータ） (2024-02-28T12:41:06Z)
• Target Variable Engineering [0.0]
  数値的対象を予測するために訓練された回帰モデルの予測性能と、2項化対象を予測するために訓練された分類器を比較した。 回帰は最適性能に収束するためには、はるかに多くの計算作業を必要とする。
  論文  参考訳（メタデータ） (2023-10-13T23:12:21Z)
• Enhanced Gradient Boosting for Zero-Inflated Insurance Claims and Comparative Analysis of CatBoost, XGBoost, and LightGBM [0.0]
  CatBoostは、予測性能に基づいた自動クレーム頻度モデルを開発するための最良のライブラリである。 そこで我々は, インフレ確率$p$と分布平均$mu$の関係を仮定した, ゼロ膨張ポアソン強化木モデルを提案する。
  論文  参考訳（メタデータ） (2023-07-15T10:54:46Z)
• Understanding Augmentation-based Self-Supervised Representation Learning via RKHS Approximation and Regression [53.15502562048627]
  最近の研究は、自己教師付き学習とグラフラプラシアン作用素のトップ固有空間の近似との関係を構築している。 この研究は、増強に基づく事前訓練の統計的分析に発展する。
  論文  参考訳（メタデータ） (2023-06-01T15:18:55Z)
• On the Theories Behind Hard Negative Sampling for Recommendation [51.64626293229085]
  ハードネガティブサンプリング(HNS)を効果的に活用するための2つの洞察に富んだガイドラインを提供する。 パーソナライズされたランク付け(BPR)学習者におけるHNSの利用は、一方通行部分AUC(OPAUC)の最適化と等価であることを示す。 これらの分析は、初めてトップKレコメンデーションパフォーマンスを最適化するHNSの理論的基盤を確立する。
  論文  参考訳（メタデータ） (2023-02-07T13:57:03Z)
• Adaptive LASSO estimation for functional hidden dynamic geostatistical model [69.10717733870575]
  関数型隠れ統計モデル(f-HD)のためのペナル化極大推定器(PMLE)に基づく新しいモデル選択アルゴリズムを提案する。 このアルゴリズムは反復最適化に基づいており、適応最小限の収縮・セレクタ演算子(GMSOLAS)ペナルティ関数を用いており、これは不給付のf-HD最大線量推定器によって得られる。
  論文  参考訳（メタデータ） (2022-08-10T19:17:45Z)
• Explainable AI Integrated Feature Selection for Landslide Susceptibility Mapping using TreeSHAP [0.0]
  データ駆動型アプローチによる地すべり感受性の早期予測は時間の要求である。 地すべりの感受性予測には,XgBoost,LR,KNN,SVM,Adaboostといった最先端の機械学習アルゴリズムを用いた。 XgBoostの最適化バージョンと機能低下の40パーセントは、一般的な評価基準で他のすべての分類器よりも優れています。
  論文  参考訳（メタデータ） (2022-01-10T09:17:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。