Prediction of radionuclide diffusion enabled by missing data imputation and ensemble machine learning

Missing values in radionuclide diffusion datasets can undermine the predictive accuracy and robustness of machine learning models. A regression-based missing data imputation method using light gradient boosting machine algorithm was employed to impute over 60% of the missing data.放射性核素扩散数据集中存在的缺失值，会损害机器学习模型的预测精度与鲁棒性。本研究采用基于轻量级梯度提升机（light gradient boosting machine）算法的回归型缺失数据插补方法，对超过60%的缺失数据进行了插补。

搜集汇总

背景与挑战

背景概述

该数据集专注于放射性核素扩散的预测研究，通过使用基于light gradient boosting machine算法的回归方法，对超过60%的缺失数据进行插补，以增强机器学习模型的准确性和鲁棒性。数据集涉及核科学与技术领域，关键词包括机器学习、放射性核素扩散和膨润土，旨在支持相关环境或核安全应用中的数据分析。