Ensemble Approach for Capacitance Prediction of Heteroatom Doped Carbon Based Electrode Materials

Abstract

Моделювання машинного навчання на основі ансамблевого підходу використовується в поточному \nдослідженні для виявлення впливу різних параметрів електродів на електрохімічні характеристики \nнановуглеців, легованих гетероатомами. Це досягається за допомогою трьох метакласифікаторів у поєднанні з традиційними моделями багаторівневого персептрона та випадкового лісу. Використані три \nметакласифікатори, а саме (i) пакетування, (ii) класифікація за допомогою регресії (CVR) і (iii) мультикласовий класифікатор (MCC). Серед цих трьох моделей пакетування та класифікація за допомогою \nрегресії забезпечили більшу точність з точки зору правильно класифікованих екземплярів (%) і площі \nпід значеннями області конвергенції. Розроблені моделі використовуються для прогнозування класів \nпитомих значень ємності. 94,5 % розглянутого набору даних класифіковано правильно, що підтверджує \nкращу точність розроблених моделей. Найменше середньоквадратичне значення 0,1787 було отримано \nдля радіочастотної моделі. У порівнянні з моделями, визначеними в літературі, запропоновані моделі \nв цій роботі забезпечують найкращу відповідність експерименту та прогнозованих значень з найвищою \nточністю та найнижчими значеннями продуктивності похибок. Найменше значення похибки для моделей RF і MLP становить 0,18 і 0,19 відповідно.