关键词： 利率   货币政策   机器学习   SHAP值  

摘要： 本文使用文本分析方法并结合现有文献,选取了14个可能影响央行货币政策调控的经济变量,并通过随机森林模型和SHAP值法量化了这些变量对2003~2022年央行货币政策调控的影响程度。研究结果表明,在2003~2022年这段时期,以通胀缺口为主的泰勒规则和以中美10年期国债利差为代表的汇率因素在我国央行货币政策调控的参考指标中占据重要地位。有鉴于此,本文建议应通过重视通胀在宏观经济调控中的作用;加强对外汇市场的关注程度;深化利率市场化改革来完善货币政策调控。

关键词： 干部容错机制   政策创新扩散   机器学习   预测建模  

摘要： 国家对于干部容错机制的诉求愈发强烈,但是近年来该政策在国内的扩散速度逐步放缓。要解决上述问题,关键在于研究干部容错机制的扩散逻辑。在政策创新扩散逻辑相关研究中,既有研究方法大多遵循“样本内解释”的思路。这使得相关研究结论的科学性,尤其是泛化能力,难以得到保证。为突破这一局限,本文采用“样本外预测”的思路来探索干部容错机制的扩散逻辑。具体来看,本文基于政策创新扩散理论构建了分析框架,使用机器学习方法训练了地方政府采纳干部容错机制的预测模型,并在确保模型预测性能的前提下呈现干部容错机制的扩散逻辑。模型解读结果表明,干部容错机制的扩散主要由行动者逻辑主导,其次是效率逻辑,最后是合法性逻辑;效率逻辑、合法性逻辑及行动者逻辑三个维度中,最具影响力的特征分别为治理规模、同级采纳和主官任期。地方政府采纳干部容错机制的概率与治理规模具有负向关系,与同级采纳具有正向关系,与主官任期具有倒U形关系。为推进干部容错机制有序发展,本文建议地方政府强化机制扩散中的领导驱动效应、科学规划干部容错机制扩散路径。

关键词： 数字经济   城市ESG发展   影响机制   双重机器学习  

摘要： 数字经济已成为推动城市可持续发展的重要动力。在生态环境(Environment)、社会生活(Society)、产业治理(Governance)视角下构建了城市ESG指标体系,并基于2011—2021年285个城市数据,探究城市ESG发展空间格局的演进特征,然后运用双重机器学习的研究方法分析数字经济对城市ESG发展的影响。结果发现:①城市ESG发展的空间分布具有明显的地域差异特征,最终形成以城市群为载体的高水平集聚地。②数字经济发展会正向提升以生态环境、社会生活、产业治理为内涵的城市ESG发展水平,该结论通过了多种稳健性检验。数字经济分维度而言,数字产业发展与数字创新能力为城市的ESG发展提供了重要的支撑和动力。③城市功能分工及创新创业活力是数字经济对城市ESG发展影响的重要渠道。此外,基于空间异质性检验发现,数字经济对东部、西部地区以及城市群区域的城市ESG发展的提升作用更明显。

关键词： 机器学习   熔盐储热   材料   研究   应用  

摘要： 经济性好、储能密度高的熔盐储热材料有望成为提高新能源运行稳定性和发电效率的最具潜力储能材料。目前,机器学习方法在新材料发现和分子模拟改进方面已有显著进步,已逐步应用于熔盐储热材料的研究中。介绍了常见的机器学习技术,分析了机器学习技术对硝酸盐、氯化盐、氟化盐等熔盐储热材料在微观结构、热物性、传质特性、耐腐蚀性等方面的研究。应用机器学习方法,可以在储热系统优化和效率提高方面发挥重要作用。

关键词： 慢性心力衰竭   肺部感染   预测模型   SHAP算法   机器学习  

摘要： 目的 使用可解释性机器学习方法预测慢性心力衰竭(CHF)合并肺部感染患者的院内死亡风险。方法 回顾性分析MIMIC-IV数据库中诊断为CHF合并肺部感染的1415例患者病历信息。按病原体种类将患者划分为合并细菌性肺炎(841例)、合并非细菌性肺炎(574例)两个亚组,采用Kaplan-Meier生存曲线描述不同亚组的死亡风险差异。基于单因素分析和LASSO回归筛选特征。分别构建LR、AdaBoost、XGBoost、LightGBM模型,通过准确性、精确度、F1值、AUC等指标比较模型性能,使用eICU-CRD数据库进行外部验证。应用SHAP算法对XGBoost模型进行解释性分析。结果 内部测试集中XGBoost模型预测CHF合并肺部感染患者院内死亡风险的准确性高于其他模型。外部测试集显示,合并细菌性肺炎、合并非细菌性肺炎两亚组中XGBoost模型的AUC值分别为0.691(95%CI:0.654~0.720)、0.725(95%CI:0.577~0.782)。相较于其他模型,XGBoost模型表现出了更好的预测能力和稳定性。结论 在预测CHF合并肺部感染患者的院内死亡风险方面,XGBoost模型的综合表现优于其他3种模型。SHAP算法为模型提供了明确解释,有助于临床医生进行决策。

关键词： 慢性鼻窦炎   CRS   生物标志物   多组学   大数据   发病机制   多种疾病   机器学习方法  

摘要： 慢性鼻窦炎(CRS)的病因及发病机制尚未完全明确。目前多组学和大数据以其数据的多样性、易处理性等优势,已被用于探索多种疾病的发病机制和生物标志物等,多种高级机器学习方法也有助于完善CRS的精准诊疗服务,并在CRS的研究中取得了一定进展。然而,多组学数据网络的建设以及其研究成果的临床转化等,仍是制约该技术进一步发展的主要问题。本文对多组学和大数据驱动的CRS研究现状及其面临的机遇与挑战进行了论述。

关键词： 土壤   花生   镉   随机森林   预测模型  

摘要： 通过采集我国14个省份花生主产区的100组土壤-花生样品,分析土壤-花生系统镉(Cd)污染特征及土壤理化性质,基于机器学习方法建立花生Cd富集系数预测模型并识别花生富集Cd的重要影响因素。结果表明,采集的全国范围土壤样品总体以酸性为主,有60%的土壤pH<6.50,花生籽粒Cd含量均值为0.27 mg·kg^(-1),富集系数均值达到2.42。利用全国以及南北方产区分组数据构建的随机森林模型(R^(2)=0.930~0.966)对花生Cd富集系数的预测性能均明显优于相应的多元线性回归模型(R^(2)=0.471~0.657)。随机森林模型分析结果表明不同区域相对重要性较高的特征变量有所差异,影响北方产区花生Cd富集系数预测最重要的特征变量为土壤游离锰氧化物、游离铁氧化物含量和pH,而影响南方产区花生Cd富集系数预测最重要的特征变量为土壤游离锰氧化物、黏粒、游离铁氧化物和有机质含量。研究表明,相较于传统多元线性回归模型,随机森林模型对花生Cd富集系数的预测性能更为优越,为田间大尺度下土壤-花生系统中Cd的迁移预测提供了新的视角和解决方案。

关键词： 地方本科院校   机器学习   学籍异动  

摘要： 以某地方本科院校2018级、2019级、2020级、2021级学生课程成绩为研究对象,从二级学院和全校总体情况两个角度出发,运用不同的机器学习方法分析其中隐藏的数据信息。结果显示,不同模型预测的准确率差异较大,其中LightGBM模型准确率达98%以上,且AUC值为0.811 6,说明该模型预测效果最佳。因此,将LightGBM模型应用于高校2021级学生学籍异动预测中,结果表明该模型可有效预测学生学籍异动,可为学校学籍管理提供辅助性决策意见。

关键词： 机器学习   分类模型   预测   数据处理  

摘要： 本文针对分类问题,使用支持向量机、逻辑回归、朴素贝叶斯、决策树、随机森林、K近邻六个基础的机器学习分类算法,根据性别、年龄和级别等相关特征,对泰坦尼克号的乘客幸存与否进行预测,并在实验和结果中比较不同机器学习分类模型的差异、优缺点。通过实验对比,支持向量机表现出了最好的性能,在准确率、精确率、召回率和F值中都取得了较高的值,而K近邻性能表现最差。

关键词： China   Groundwater level   Random forest   PS-InSAR   k-nearest neighbor   ALOS/PALSAR IMAGERY   SAR INTERFEROMETRY   BEIJING PLAIN   2005 KASHMIR   DEFORMATION   LANDSLIDE   BASIN   SCATTERERS   EARTHQUAKE   EVOLUTION  

摘要： Land deformation is a severe environmental problem that is often caused by groundwater overexploitation. Traditional approaches, such as those based on ground leveling, are used as standard for monitoring land deformation, but they cannot collect enough information for land-deformation mapping. In this study, the time-series Persistent Scatterer Interferometry Synthetic Aperture Radar (PS-InSAR) was used as an improved method to identify land deformation in Cangzhou after the initiation of China's South-to-North Water Diversion Project (SNWDP). Machine learning (ML) models, including random forest and k-nearest neighbor, were used to determine the relationship between groundwater pressure and land deformation. The results showed that from 2018 to 2022, the deformation rate was up to -115 mm/year in Nanpi and Dongguang and varied between -57 and -26 mm/year in Qingxian and Cangxian. Land deformation after the SNWDP implementation was less than before. The ML models' results show that the accuracy of the random forest and k-nearest neighbor methods were 85 and 77%, respectively. Evaluation of the groundwater-level trend measured in six wells showed that after the SNWDP implementation, the groundwater pressure started to recover in Cangzhou, but a decline has been observed recently, particularly in 2022. The mean decrease in impurity (MDI) values demonstrates that aquifers IV and III contribute the most to land deformation in Cangzhou, with the highest MDI values of 33 and 26%, respectively. The study provides new insights into the evolution of regional land deformation, and the methods employed in this research can be adopted in other regions with similar conditions.