Komputasi n
Artikel
https://doi.org/10.3390/
komputasi11070126 Analisis dinamis struktur adalah prosedur komputasi intensif yang harus dipertimbangkan,
untuk membuat penilaian kinerja seismik yang akurat dalam aplikasi teknik sipil dan
Editor Akademik: Gavril
struktural. Untuk menghindari tugas-tugas yang menuntut komputasi ini, metode yang
Grebenisan, Alin Pop dan Dan
disederhanakan sering digunakan oleh para insinyur dalam praktiknya, untuk
Claudiu Negra ̆u
memperkirakan perilaku struktur kompleks di bawah pemuatan dinamis. Makalah ini
Diterima: 6 Mei 2023 menyajikan penilaian beberapa algoritma pembelajaran mesin (ML), dengan karakteristik
Revisi: 9 Juni 2023 berbeda, yang bertujuan untuk memprediksi respons analisis dinamis bangunan bertingkat.
Diterima: 20 Juni 2023 Dataset besar hasil analisis respons dinamis dihasilkan melalui metode pengambilan sampel
Diterbitkan: 29 Juni 2023
standar dan prosedur analisis modal spektrum respons konvensional. Dalam upaya untuk
mendapatkan kinerja algoritma terbaik, pencarian hyper-parameter yang luas diuraikan,
diikuti oleh kepentingan fitur yang sesuai. Model ML yang menunjukkan kinerja terbaik
digunakan dalam aplikasi web, dengan tujuan memberikan prediksi respons dinamis
Hak cipta: © 2023 oleh penulis.
bangunan bertingkat, sesuai dengan karakteristiknya.
Pemegang Lisensi MDPI, Basel,
Swiss. Artikel ini adalah artikel
akses terbuka yang didistribusikan Kata kunci: analisis spektrum respons; algoritma ansambel; pembelajaran mesin; bangunan
geser; Kemampuan menjelaskan SHAP
1 . Perkenalan
Machine learning (ML) memiliki banyak aplikasi dalam pemodelan dan simulasi struktur [1]. Salah satu
aplikasi ML yang paling umum dalam analisis struktural adalah prediksi perilaku struktural di bawah beban dan
kondisi lingkungan yang berbeda. Algoritme ML dapat dilatih berdasarkan data dari analisis struktural
sebelumnya, untuk mempelajari bagaimana berbagai faktor—seperti sifat material, geometri, dan kondisi
pemuatan—memengaruhi respons struktural. Informasi ini kemudian dapat digunakan untuk memprediksi
perilaku struktur baru, tanpa perlu analisis tambahan yang memakan waktu dan mahal. Bidang aplikasi lain
yang menarik adalah pemantauan kesehatan struktural (SHM) dan identifikasi kerusakan [2], di mana, dengan
menganalisis perubahan respons struktural dari waktu ke waktu, dan menggunakan data yang dikumpulkan
oleh sistem SHM, algoritma ML dapat belajar mendeteksi dan melokalisasi kerusakan pada struktur dan, secara
umum, menilai kesehatan dan kondisi struktur dari waktu ke waktu. Dalam pengoptimalan desain [3], dengan
menganalisis hubungan antara berbagai parameter desain dan performa struktural, algoritme ML dapat
mengidentifikasi konfigurasi desain optimal yang meminimalkan bobot, memaksimalkan kekakuan, atau
mencapai karakteristik performa lain yang diinginkan [4,5]. ML juga dapat digunakan untuk mengukur
ketidakpastian yang terkait dengan analisis struktural, meningkatkan akurasi prediksi dan mengurangi risiko
kegagalan [6]. Secara keseluruhan, penggunaan ML dalam analisis struktural memiliki potensi untuk secara
signifikan meningkatkan akurasi dan efisiensi analisis struktural, serta memungkinkan kemampuan baru untuk
deteksi kerusakan dan pengoptimalan desain.
Di bidang khusus dinamika struktural dan rekayasa gempa, teknik ML juga semakin banyak digunakan [7],
karena dapat membantu mengekstrak wawasan yang berguna
Perhitungan 2023, 11, 126
Dalam karya menarik Abd-Elhamed et al. [12], analisis logis data (LAD)
digunakan untuk memprediksi respons seismik struktur. Para penulis
menggunakan gerakan tanah nyata, mempertimbangkan variasi
karakteristik gempa, seperti kelas tanah, periode karakteristik, langkah
waktu catatan, perpindahan tanah puncak, kecepatan tanah puncak,
dan percepatan tanah puncak. Model LAD dibandingkan dengan model
ANN, dan terbukti menjadi alat yang efisien untuk mempelajari,
mensimulasikan, dan memprediksi respons dinamis struktur di bawah
beban gempa. Gharehbaghi et al. [13] menggunakan pemrograman
genetik multi-gen (MGGP) dan ANN untuk memprediksi spektrum
kerusakan seismik. Mereka menggunakan sistem SDOF inelastis di
bawah satu set catatan gerakan tanah gempa, untuk menghitung
kerusakan spektral yang tepat, menggunakan indeks kerusakan Park-
Ang. Model ANN menunjukkan kinerja keseluruhan yang lebih baik,
namun model matematika berbasis MGGP juga berguna, karena
berhasil memberikan ekspresi matematika tertutup untuk mengukur
potensi kerusakan seismik struktur.
2. Perumusan Masalah
Analisis modal spektrum respons (RSMA) adalah metode untuk
memperkirakan respons struktural terhadap peristiwa dinamis pendek,
non-deterministik, dan sementara. Contoh peristiwa tersebut adalah
gempa bumi dan guncangan. Karena riwayat waktu yang tepat dari
beban tidak diketahui, sulit untuk melakukan analisis tergantung waktu.
Metode ini membutuhkan perhitungan bentuk mode alami dan
frekuensi struktur selama getaran bebas. Ini menggunakan matriks
massa dan kekakuan struktur untuk menemukan berbagai periode di
mana ia akan beresonansi secara alami, dan didasarkan pada
superposisi mode, yaitu, superposisi respons struktur untuk berbagai
mode, dan penggunaan spektrum respons. Idenya adalah untuk
memberikan masukan yang membatasi seberapa banyak eigenmode
yang memiliki frekuensi dan redaman alami tertentu dapat
bersemangat oleh peristiwa jenis ini. Spektrum respons digunakan
untuk menghitung respons maksimum di setiap mode, alih-alih
menyelesaikan masalah riwayat waktu secara eksplisit menggunakan
metode integrasi langsung. Maxima ini tidak bersamaan dan untuk
alasan ini respons modal maksimum untuk setiap mode tidak dapat
ditambahkan secara aljabar. Sebaliknya, mereka digabungkan
menggunakan teknik statistik, seperti akar kuadrat dari jumlah kuadrat
Perhitungan 2023, 11, 126
rk ω Rm
ω= f= T = 2π (1) m 2π k
Upun
cak
ug un mn
uj mj kn
u2 m2 kj
u1 m1 k2
k1
S
ug
u(t) = Φ · y(t)
(6)
M∗ C∗ K∗
Perhitungan 2023, 11, 126
y ̈i saya = {1, 2,
3, . . . , n} (7)
TMr
di mana mi∗ = φiTMφi adalah elemen ke-i dari matriks diagonal M∗.
Persamaan (7) mewakili n persamaan diferensial orde kedua (yaitu,
mirip dengan sistem SDOF), solusinya akan memberikan respons
perpindahan modal yi (t) untuk mode ith. Selanjutnya, respons
perpindahan di setiap mode sistem MDOF dapat diperoleh dengan
Persamaan (5) menggunakan yi (t).
kalau 0 ≤ T ≤ TB
Perhitungan 2023, 11, 126
ag · S · 2,5q · Ag kalau TD
≤T
Dalam penelitian ini, aturan akar kuadrat umum dari jumlah kuadrat
(SRSS) digunakan sebagai berikut:
sn
Perhitungan 2023, 11, 126
Qmax = ∑ Q2i
i=1
Tipe Tanah
Cerita k ̃ T1 Utop V ̃b
6.0
25% 00 4500.000 0.330 0.104 0.142
50% 11.0 7000.000 2.000 0.567 0.254 0.201
00
75% 16.0 9500.000 3.000 0.801 0.416 0.282
00
Jenis [in [mengamb [int] [mengamb [mengamb [mengamb
t] ang] ang] ang] ang]
T1[s] Utop[m] Vb
Gambar 3. Plot Kotak dan Kumis untuk fitur (oranye) dan target (biru moonstone). Garis
vertikal merah menunjukkan median dari setiap distribusi. Titik-titik biru mewakili
pencilan dalam distribusi, menurut metode IQR.
COV(x, y)
R(x, y) = (13) σxσy
di mana COV adalah kovarians antara dua variabel acak (x, y) dan σx,
σy adalah standar deviasi x, y, masing-masing. |ρ| > 0,8 mewakili
hubungan yang kuat antara x dan y, nilai antara 0,3 dan 0,8 mewakili
hubungan sedang, sedangkan |ρ| < 0,3 mewakili hubungan yang
lemah. Hal ini menunjukkan bahwa jumlah cerita, memiliki hubungan
yang kuat dengan T1 dan Utop, sedangkan Ground Type tidak memiliki
hubungan dengan jumlah cerita dan k ̃.
(sebuah) (b)
Gambar 4. Plot bersama dan KDE Utop vs. (a) T1 dan (b) V ̃b.
Perhitungan 2023, 11, 126
Regularization(L2) = LF + l∑ Wi2
i=1
Meskipun, kita apriori tahu bahwa Regresi Ridge tidak akan mampu
bersaing dengan model ansambel lainnya, itu masih dipilih sebagai
metode sederhana untuk perkiraan kasar model yang akan dipasang.
DATASET
BANGUNAN ...
THE MODEL
BOOTSTRAP
MENGGABUNGKAN
PREDIKSI 1 PREDIKSI 2 ... PREDIKSI N
PREDIKSI RATA-RATA
PREDIKSI AKHIR
DATASET
LEMAH ...
PELAJAR
BOOTSTRAP
MENGGABUNGKAN
PREDIKSI 1 PREDIKSI 2 ... PREDIKSI N-1 PREDIKSI N
PREDIKSI AKHIR
Untuk lebih memahami cara kerja Peningkatan Gradien, kami sajikan di bawah langkah-langkah yang
terlibat.
Langkah 1. Buat pohon dasar dengan simpul akar tunggal yang
bertindak sebagai tebakan awal untuk semua sampel.
Keuntungan dari metode validasi silang k-fold adalah bias dan varians
berkurang secara signifikan, sementara ketahanan model meningkat.
Set pengujian, dengan data yang tetap tidak terlihat oleh model selama
pelatihan, digunakan untuk pengujian akhir kinerja model dan
generalisasi. Dengan istilah generalisasi kita mengacu pada
kemampuan model untuk beradaptasi dengan benar terhadap data
baru yang sebelumnya tidak terlihat, diambil dari distribusi yang sama
dengan yang digunakan untuk membuat model. Nilai k tergantung pada
ukuran dataset dengan cara yang tidak meningkatkan biaya komputasi.
Dalam penelitian ini, nilai k ditetapkan sama dengan 10.
Perhitungan 2023, 11, 126
n_estimators max_depth [10, 20, 50, 100, 500] 500 500 500
kriteria min_samples_split [2, 5, 10] goreng goreng goreng
['sqr', 'abs', 'goreng', 'kacang 5 5 5
polong']
Hutan Acak [1, 2, 5, 10, 20]
min_samples_leaf [1, 2, 5] 1 1 2
"max_depth": jumlah pohon di hutan. | "Criterion": fungsi untuk mengukur kualitas split. Nilai yang mungkin
adalah: 'sqr', 'abs', 'fried', dan 'pois' yang masing-masing merupakan singkatan dari 'squared_error',
'absolute_error', 'friedman_mse', dan 'poisson'. | "min_samples_split": jumlah pohon di hutan. |
"min_samples_leaf": jumlah minimum sampel yang diperlukan untuk berada di simpul daun. |
"min_impurity_decrease": nilai di mana sebuah node akan dibagi, jika pemisahan ini menginduksi, penurunan
pengotor lebih besar dari ini. | "learning_rate": faktor yang mengecilkan kontribusi setiap pohon. |
"l2_leaf_reg": koefisien istilah regularisasi L2 dari fungsi biaya. | "bagging_temperature": parameter untuk
menentukan pengaturan bootstrap Bayesian dan menetapkan bobot acak ke objek. Bobot diambil sampelnya
dari distribusi eksponensial jika nilai parameter ini diatur ke "1". Semua bobot sama dengan 1 jika nilai
parameter ini diatur ke "0". Nilai yang mungkin berada dalam rentang [0; inf). Semakin tinggi nilainya, semakin
agresif pengantongannya.
Perhitungan 2023, 11, 126
Gambar 8–10 menunjukkan performa model ML untuk memprediksi T1, Utop, dan
V ̃b dari bangunan geser di kereta dan menguji dataset untuk nilai
hyperparameter yang dioptimalkan, sesuai. Secara umum, metode
ansambel mencapai akurasi yang lebih tinggi dibandingkan dengan
algoritma Regresi Ridge. Namun, algoritma Regresi Ridge berhasil
mencapai hasil yang dapat diterima dalam kasus model T1.
Gambar 8. Plot aktual vs. Prediksi untuk (a) train dan (b) dataset uji untuk model T1.
Gambar 9. Plot aktual vs. Prediksi untuk (a) train dan (b) dataset uji untuk model Utop.
Gambar 10. Plot aktual vs. Prediksi untuk (a) train dan (b) dataset uji untuk model Ṽb.
Tabel 3. Performa Validasi Silang untuk setiap algoritme dan model ML.
RMSE
1m
MAE = ∑(Xi − xˆi)
n i=1
xˆi
MAPE
n i=1 Xi
R
Di mana m adalah ukuran himpunan data, xi dan xˆi adalah nilai fitur
aktual dan diprediksi untuk pengamatan i, masing-masing.
Peningkatan Gradien 0.0005 0.0006 0.0146 0.0164 0.1156 0.1488 0.9920 0.9889
CatBoost 0.0000 0.0000 0.0026 0.0034 0.0182 0.0238 0.9998 0.9995
V ̃b
6. Kemampuan Interpretasi ML
Model pembelajaran mesin sering diperlakukan sebagai "kotak hitam"
yang membuat interpretasinya sulit. Untuk memahami fitur utama
yang memengaruhi prediksi model, teknik pembelajaran mesin yang
dapat dijelaskan dapat digunakan untuk mengungkap propertinya.
Menuju ini, banyak teknik penjelasan telah dikembangkan. Salah satu
yang semakin diminati adalah metode SHAP (SHapley Additive
exPlanations) yang diperkenalkan oleh Lundberg dan Lee [25]. Metode
ini menjelaskan prediksi individu dan dapat digunakan untuk
kuantifikasi kepentingan fitur relatif. Metode SHAP didasarkan pada
permainan secara teoritis nilai-nilai Shapley optimal yang mengukur
kontribusi terhadap hasil dari setiap fitur secara terpisah di antara
semua fitur input.
1m (saya)
Gambar 11. SHAP menampilkan plot penting untuk model ML berkinerja terbaik.
(c) Model V ̃b
Gambar 12. Plot ringkasan yang menunjukkan dampak semua fitur pada (a) model T1,
(b) Utop, dan (c) V ̃b.
Dapat dilihat bahwa untuk jumlah cerita, ketika nilai fitur meningkat,
nilai SHAP juga meningkat. Ini memberi tahu kita bahwa jumlah cerita
yang lebih tinggi akan menghasilkan nilai prediksi yang lebih tinggi
untuk semua model. Dalam kasus fitur k ̃, kami melihat bahwa ketika
nilai fitur meningkat, nilai SHAP meningkat untuk model T1 dan Utop,
sedangkan sebaliknya untuk fitur yang sama, nilai SHAP menurun
dalam kasus model Vb. Seperti yang diharapkan, fitur Ground Type
tidak berdampak pada prediksi model T1, sementara itu berdampak
pada nilai Utop dan Vb yang diprediksi.
7. Skenario Kasus Uji
Kami mempertimbangkan tiga skenario kasus uji untuk menguji
efektivitas model yang dikembangkan dan, khususnya, model prediksi
CatBoost yang dipilih. Yang pertama adalah bangunan 3 lantai, diikuti
oleh bangunan 8 lantai dan bangunan 15 lantai. Nilai fitur untuk setiap
skenario disajikan dalam Tabel 5. Kekakuan yang dinormalisasi (k ̃)
untuk setiap skenario masing-masing adalah 2098,21, 5135,14, dan
7169,81 s−2. Untuk alasan praktis, kami lebih suka mengambil k dan m
sebagai parameter independen di awal dan kemudian menghitung k ̃,
daripada bekerja
Perhitungan 2023, 11, 126
Tanah
Cerita Massa (m) Kekakuan (k)
Skenario Jenis
[-] [kg] [N/m] [-]
[m/s2]
Tabel 6. Nilai target (aktual dan diprediksi) untuk setiap skenario kasus pengujian.
Kesalahan absolut juga disediakan.
T1 Utop Vb
Kesalahan
2.01% 0.05%
Absolut
Gambar 13. GUI aplikasi web untuk prediksi cepat respons dinamis bangunan geser
bertingkat.
9. Kesimpulan
Makalah ini mempresentasikan penilaian beberapa algoritma ML untuk
memprediksi respons dinamis bangunan geser bertingkat. Dataset
besar hasil analisis respons dinamis dihasilkan melalui metode
pengambilan sampel standar dan prosedur analisis modal spektrum
respons konvensional dari sistem struktural multi-DOF. Kemudian,
pencarian hyperparameter ekstensif dilakukan untuk menilai kinerja
masing-masing algoritma dan mengidentifikasi yang terbaik di antara
mereka. Dari algoritma yang diperiksa, CatBoost datang pertama dalam
akurasi dengan kecocokan yang dapat diterima dan waktu yang
diprediksi untuk sebagian besar kasus, sementara Ridge Regressor
mengambil piala karena menjadi yang tercepat agar sesuai dengan
data. Secara keseluruhan, CatBoost tampaknya menjadi algoritma
berkinerja terbaik, meskipun untuk kasus model dasar geser yang
dinormalisasi, algoritma Random Forest menunjukkan kinerja yang
sedikit lebih baik.
Studi ini juga memiliki beberapa keterbatasan yang perlu disorot dan
didiskusikan. Pertama-tama, analisisnya hanya elastis dan faktor
perilaku q dari spektrum desain EC8 mengambil nilai tetap 1 selama
penelitian. Selain itu, redaman telah dipertimbangkan dengan nilai
tetap 5%, sedangkan kekakuan dan massa setiap cerita tetap konstan di
sepanjang ketinggian bangunan. Perluasan pekerjaan untuk
memperhitungkan keterbatasan ini adalah topik yang menarik yang
akan diselidiki di masa mendatang dengan menambahkan fitur
tambahan ke model ML.
Kontribusi penulis: konseptualisasi, M.G. dan V.P.; metodologi, M.G. dan V.P.;
perangkat lunak, M.G.; validasi, M.G. dan V.P.; analisis formal, M.G.; investigasi, M.G.;
sumber daya, M.G.; kurasi data, M.G.; menulis—persiapan draf asli, M.G.; menulis—
meninjau dan mengedit, M.G. dan V.P.; visualisasi, M.G.; pengawasan, V.P. Semua
penulis telah membaca dan menyetujui versi naskah yang diterbitkan.
Referensi
1. Solorzano, G.; Plevris, V. Metode kecerdasan komputasi dalam simulasi dan pemodelan struktur: Tinjauan canggih
menggunakan peta bibliometrik. Depan. Lingkungan Binaan. 2022, 8, 1049616. [CrossRef]
2. Georgioudakis, M.; Plevris, V. Kriteria Korelasi Modal Gabungan untuk Identifikasi Kerusakan Struktural dengan Data
Modal Berisik. Adv. Civ. Eng. 2018, 3183067.
3. Lagaros, N.D.; Plevris, V.; Kallioras, N.A. Mosaik algoritma metaheuristik dalam optimasi struktural. Lengkungan.
Metode Eng. 2022, 29, 5457–5492.
4. Plevris, V.; Lagaros, N.D.; Charmpis, D.; Papadrakakis, M. Metamodel dibantu teknik untuk optimasi struktural. Dalam
Prosiding Konferensi Eropa Tenggara Pertama tentang Mekanika Komputasi (SEECCM-06), Kragujevac, Serbia, 28-30
Juni 2006 ; hlm. 271–278.
5. Papadrakakis, M.; Lagaros, N.D.; Tsompanakis, Y.; Plevris, V. Optimasi struktural skala besar: Metode komputasi dan
algoritma optimasi. Lengkungan. Metode Eng. 2001, 8, 239–301. [CrossRef]
6. Lagaros, N.; Tsompanakis, Y.; Fragiadakis, M.; Plevris, V.; Papadrakakis, M. Teknik Komputasi Berbasis Metamodel
untuk Memecahkan Masalah Optimasi Struktural Mempertimbangkan Ketidakpastian. dalam optimasi desain
struktural mempertimbangkan ketidakpastian; Tsompanakis, Y., Lagaros, N., Papadrakakis, M., Eds.; Taylor & Francis:
Abingdon, Inggris, 2008; Bab 21, hlm. 567–597.
7. Lu, X.; Plevris, V.; Tsiatas, G.; De Domenico, D. Editorial: Metodologi dan Aplikasi yang Didukung Kecerdasan Buatan
dalam Gempa Bumi dan Teknik Struktural. Depan. Lingkungan Binaan. 2022, 8, 876077. [CrossRef]
8. Xie, Y.; Sichani, M.E.; Padgett, J.E.; DesRoches, R. Janji penerapan pembelajaran mesin dalam rekayasa gempa:
Tinjauan mutakhir. Tanah q. Spektrum 2020, 36, 1769–1801. [CrossRef]
9. Zhang, Y.; Burton, H.V.; Matahari, H.; Shokrabadi, M. Kerangka kerja pembelajaran mesin untuk menilai keamanan
struktural pascagempa. Struktur. Saf. 2018, 72, 1–16. [CrossRef]
10. Nguyen, H.D.; Dao, N.D.; Shin, M. Prediksi respon drift seismik dari rangka momen baja planar menggunakan jaringan
saraf tiruan dan meningkatkan gradien ekstrim. Eng. Struktur. 2021, 242, 112518. [CrossRef]
11. Sadeghi Eshkevari, S.; Takácˇ, M.; Pakzad, S.N.; Jahani, M. DynNet: Desain arsitektur saraf berbasis fisika untuk
pemodelan dan prediksi respons struktural nonlinier. Eng. Struktur. 2021, 229, 111582. [CrossRef]
12. Abd-Elhamed, A.; Sya'ban, Y.; Mahmoud, S. Memprediksi Respon Dinamis Struktur di bawah Beban Gempa
Menggunakan Analisis Logis Data. Bangunan 2018, 8, 61. [CrossRef]
13. Gharehbaghi, S.; Gandomi, M.; Plevris, V.; Gandomi, AH Prediksi spektrum kerusakan seismik menggunakan metode
kecerdasan komputasi. Komputasi. Struktur. 2021, 253, 106584. [CrossRef]
14. Kazemi, F.; Asgarkhani, N.; Jankowski, R. Respons seismik berbasis pembelajaran mesin dan penilaian kinerja
bangunan beton bertulang. Lengkung Civ. Mech. Eng. 2018, 23, 94. [CrossRef]
15. Kazemi, F.; Jankowski, R. Prediksi berbasis pembelajaran mesin tentang kapasitas limit-state seismik dari rangka
penahan momen baja dengan mempertimbangkan interaksi struktur tanah. Komputasi. Struktur. 2023, 274, 106886.
Perhitungan 2023, 11, 126
[CrossRef]
16. Wakjira, T.G.; Rahmzadeh, A.; Alam, MS; Tremblay, R. Alat prediksi efisien berbasis pembelajaran mesin yang dapat
dijelaskan untuk respons siklik lateral dari dermaga jembatan baja goyang dasar pasca-tegangan. Struktur 2022, 44,
947–964. [CrossRef]
17. Montuori, R.; Nastri, E.; Piluso, V.; Todisco, P. Pendekatan berbasis kinerja yang disederhanakan untuk evaluasi kinerja
seismik rangka baja. Eng. Struktur. 2020, 224, 111222. [CrossRef]
18. EN 1998-1 (Eurocode 8); Desain Struktur untuk Ketahanan Gempa — Bagian 1: Aturan Umum, Tindakan Seismik, dan
Aturan untuk Bangunan. Komite Eropa untuk Standardisasi: Brussels, Belgia, 2004.
19. Hoerl, A.E.; Kennard, R.W. Regresi Ridge: Estimasi Bias untuk Masalah Nonorthogonal. Teknometrik 1970, 12, 55–67.
[CrossRef]
20. Breiman, L. Hutan Acak. Mach. Belajar. 2001, 45, 5–32. [CrossRef]
21. Friedman, J.H. Pendekatan Fungsi Serakah: Mesin Penambah Gradien. Ann. Stat. 2001, 29, 1189–1232. [CrossRef] 22.
Prokhorenkova, L.O.; Gusev, G.; Vorobev, A.; Dorogush, A.V.; Gulin, A. CatBoost: Peningkatan yang tidak bias dengan
fitur kategoris. Dalam Prosiding Konferensi ke-32 tentang Sistem Pemrosesan Informasi Saraf (NeurIPS 2018),
Montreal, QC, Kanada, 4–6 Desember 2018; Bengio, S., Wallach, HM, Larochelle, H., Grauman, K., Cesa-Bianchi, N.,
Garnett, R., Eds.; hlm. 6639–6649.
23. Pedregosa, F.; Varoquaux, G.; Gramfort, A.; Michel, V.; Thirion, B.; Grisel, O.; Pirang, M.; Prettenhofer, P.; Weiss, R.;
Dubourg, V.; et al. Scikit-learn: Pembelajaran Mesin dengan Python. J. Mach. Belajar. Res. 2011, 12, 2825–2830.
24. Plevris, V.; Solorzano, G.; Bakas, N.; Ben Seghier, M.E.A. Investigasi metrik kinerja dalam analisis regresi dan model
prediksi berbasis pembelajaran mesin. Dalam Prosiding Kongres Eropa ke-8 tentang Metode Komputasi dalam Ilmu
dan Teknik Terapan, Oslo, Norwegia, 5–9 Juni 2022. [CrossRef]
25. Lundberg, S.M.; Lee, S.I. Pendekatan terpadu untuk menafsirkan prediksi model. dalam kemajuan dalam sistem
pemrosesan informasi saraf; Guyon, I., Luxburg, U.V., Bengio, S., Wallach, H., Fergus, R., Vishwanathan, S., Garnett, R.,
Eds.; Curran Associates, Inc.: Red Hook, NY, AS, 2017; Jilid 30.
Penafian / Catatan Penerbit: Pernyataan, pendapat dan data yang terkandung dalam semua publikasi semata-mata milik
penulis dan kontributor individu dan bukan dari MDPI dan / atau editor. MDPI dan / atau editor (s) melepaskan tanggung
jawab atas cedera pada orang atau properti yang dihasilkan dari ide, metode, instruksi atau produk yang dirujuk dalam
konten.