Ae-xgboost: un enfoque novedoso para la predicción del tamaño de mecanizado de herramientas combinando xgboost, ae y shap
Autores: Gu, Mu; Kang, Shuimiao; Xu, Zishuo; Lin, Lin; Zhang, Zhihui
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Ae-xgboost: un enfoque novedoso para la predicción del tamaño de mecanizado de herramientas combinando xgboost, ae y shap
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Modelo de predicción de tamaño de mecanizado
XGBoost
Autoencoder
Análisis SHAP
Análisis de correlación Grey
Análisis de componentes principales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 28
Citaciones: Sin citaciones
Para lograr una fabricación inteligente y mejorar la calidad del mecanizado de las máquinas herramienta, este documento propone un modelo interpretable de predicción de tamaño de mecanizado que combina eXtreme Gradient Boosting (XGBoost), autoencoder (AE) y análisis de explicación aditiva de Shapley (SHAP).
Descripción
Para lograr una fabricación inteligente y mejorar la calidad del mecanizado de las máquinas herramienta, este documento propone un modelo interpretable de predicción de tamaño de mecanizado que combina eXtreme Gradient Boosting (XGBoost), autoencoder (AE) y análisis de explicación aditiva de Shapley (SHAP).