Kernkonzepte
Ein neuartiges hybrides Framework verbessert die Vorhersagegenauigkeit in Industrie 4.0-Anwendungen durch die Kombination von Feature Importance und Feature Interaction Detection.
Zusammenfassung
Das Paper schlägt ein hybrides Framework vor, das Feature Importance und Feature Interaction Detection kombiniert, um die Vorhersagegenauigkeit zu optimieren. Durch die Entfernung unwichtiger Merkmale und die Integration von Interaktionen werden verbesserte Vorhersagen erzielt. Experimente zeigen eine Steigerung des R2-Scores um bis zu 9,56% und eine Verringerung des RMSE um bis zu 24,05%.
Autoren: Zhipeng Ma, Bo Nørregaard Jørgensen, Zheng Grace Ma
Abstract: Fortschrittliche maschinelle Lernalgorithmen werden in Industrie 4.0 zur Vorhersage und Entscheidungsunterstützung eingesetzt. Ein neues hybrides Framework kombiniert LIME und NID, um die Vorhersagegenauigkeit zu verbessern.
Methodik: Das Framework entfernt unwichtige Merkmale, integriert Interaktionen und optimiert die Vorhersage von Stromverbrauch in der Gießereiverarbeitung.
Ergebnisse: Verbesserungen von bis zu 9,56% im R2-Score und bis zu 24,05% im RMSE wurden festgestellt.
Statistiken
Die experimentellen Ergebnisse zeigen eine Verbesserung des R2-Scores um bis zu 9,56% und eine Verringerung des RMSE um bis zu 24,05%.
Zitate
"Ein neues hybrides Framework kombiniert LIME und NID, um die Vorhersagegenauigkeit zu verbessern." - Zhipeng Ma et al.
"Durch die Entfernung unwichtiger Merkmale und die Integration von Interaktionen werden verbesserte Vorhersagen erzielt." - Bo Nørregaard Jørgensen