跳到主要内容
检索

# CatBoost

3 篇关联报道

订阅更新
  1. 用二维图像提取心围与体长并结合年龄性别,XGBoost 在未见过的 Surti 山羊上实现 R²=0.7955 的体重预测

    该研究用 Mask R-CNN 从二维图像中分割山羊并提取心围与体长,再与年龄、性别元数据组合,训练 XGBoost、Random Forest 与 CatBoost 并以 0.5/0.3/0.2 权重集成,在按 Animal ID 分组划分的验证集(37 只)上 XGBoost 取得 R²=0.8514(RMSE=4.26 kg、MAE=3.47 kg、MAPE=16.27%),在完全未见的测试集(37 只)上 XGBoost 表现最佳,R²=0.7955(MSE=29.15 kg²、RMSE=5.40 kg、MAE=4.01 kg、MAPE=16.38%),加权集成则为 R²=0.7713(MSE=32.60 kg²、RMSE=5.71 kg、

  2. 用nLw555把东海分成清水与浊水两区后,CatBoost重建的pCO2显示浊水区其实是弱碳源,使常规模型对东海碳汇高估约46%

    该研究以MODIS归一化离水辐亮度nLw555=1.5 mW cm-2 µm-1 sr-1为阈值把东海划分为清水区(CW)与浊水区(TW),用把水体类型作为类别变量的CatBoost模型结合多光谱卫星变量重建2003—2023年海表pCO2,独立测试集整体精度R2=0.86、RMSE=16.55 µatm,浊水区RMSE较常规模型最多降低约81%,21年气候态显示CW均值361.2 µatm、TW均值415.1 µatm,TW为受非热力正异常(+28.09 µatm)驱动的弱净碳源(+0.50 Tg C yr-1),据此估算常规模型对东海总碳吸收高估约46%(约4.04 Tg C yr-1)。

  3. medRxiv

    大语言模型提取的脑大体所见对神经退行性疾病的诊断价值

    该研究基于Mayo Clinic脑库1998至2023年间5,613例尸检病例,用微调大语言模型将叙述性大体描述转为39个特征的半定量评分(在200个手工标注特征级测试样本中提取准确率为0.95),再分别以CatBoost分类器和第二个微调大语言模型结合死亡年龄、性别与脑重进行七类神经病理诊断分类,在562例留出测试集上CatBoost准确率0.73、kappa 0.65、宏平均AUC 0.92,文本模型准确率0.75、kappa 0.68,两者宏平均敏感度均为0.66,其中进行性核上性麻痹敏感度分别为0.92与0.93、多系统萎缩为0.87与0.92,而AD与LBD合并类别仅为0.21与0.03,特

已读完全部报道