本文研究了预测船舶燃油消耗的机器学习模型的验证方法。文章指出,随机的训练-测试分割由于时间泄露,常常导致过于乐观的性能估计。该研究使用加拿大海岸警卫队船只 (CCGS) Sir Wilfrid Laurier 的数据,对六个回归模型和一个物理基线应用了时间感知评估技术,如时间序列交叉验证 (TSCV) 和阻塞时间序列交叉验证 (BTSCV)。 AI
影响 强调了由于验证缺陷可能导致模型性能被高估,从而影响机器学习在海事运营中的实际部署。
排序理由 发表在 Hugging Face 上的学术论文,讨论机器学习模型验证技术。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
- Blocked TSCV
- Canadian Coast Guard Ship
- CCGS Sir Wilfrid Laurier
- Hugging Face
- Time Series Cross-Validation
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →