从使用机器学习的身体健康测试中预测最大的军事职业任务性能

科学领域:

• 军事科学 军事科学
• 运动科学 运动科学
• 数据科学是数据科学.

背景情况:

• 执行军事任务对于作战成功至关重要.
• 目前的物理评估是耗时的,并带来伤害风险.
• 使用物理特征的预测模型可以优化军事人员管理.

研究的目的:

• 开发用于预测军事物理评估结果的机器学习模型.
• 评估这些模型在预测提升到位和提升到位任务时的准确性.
• 探索机器学习在优化军事训练和选拔方面的潜力.

主要方法:

• 招募了35名参与者参加两个身体评估课程.
• 收集了关于多个物理特征和在升降到位和提升到位任务中的表现的数据.
• 使用RMSE,NRMSE和CVRMSE开发和评估机器学习模型 (SVR,Ridge,多层感知器).

主要成果:

• 支向量回归和坡模型准确地预测了低误差 (RMSE ±1.77公斤和±2.33公斤) 的提升到位结果.
• 多层感知器和SVR模型显示出预测Jerry-can-carry结果的希望 (RMSE ±3.36圈和±3.67圈).
• 模型的准确性各不相同,提升到位的预测比克可以携带的预测更准确.

结论:

• 机器学习模型可以准确地预测某些军事物理任务的结果,例如升降到位.
• 进一步优化是预测任务,如Jerry-can-carry.需要进一步的优化.
• 这些模型为优化军事职业选择和培训干预提供了一个有希望的方法.