传感器分析的机器学习:对医疗保健,环境和能源应用中的增强算法进行全面审查和基准
Yifan Xie1, Sai Pranay Tummala1
1Department of Decision Sciences and Marketing, Adelphi University, 1 South Avenue, Garden City, NY 11530, USA.
Sensors (Basel, Switzerland)
|December 11, 2025
概括
梯度增强模型因校准漂移而难以预测传感器数据,特别是在不断变化的条件下. 强大的时间序列验证至关重要,因为随机交叉验证高估了现实世界的传感器网络应用中的性能.
科学领域:
- 机器学习 机器学习
- 数据科学数据科学数据科学
- 传感器网络 传感器网络
背景情况:
- 传感器网络产生复杂的,时间依赖的数据,对医疗保健,环境和能源应用至关重要.
- 梯度增强方法对于基于传感器的回归是强大的,但在现实的场景中缺乏彻底的评估.
研究的目的:
- 对传感器数据预测的梯度提升算法进行全面审查和基准.
- 为了评估模型性能,稳定性,时间概括性,特征重要性稳定性和跨多个领域的效率.
主要方法:
- 经典 (AdaBoost,GBM) 和现代 (XGBoost,LightGBM,CatBoost) 提升算法的实证基准测试.
- 通过持续的葡萄糖监测,空气质量和建筑能源数据集进行跨领域评估.
- 使用时间序列验证对传感器退化和时间概括的稳定性评估.
主要成果:
- 当数据可预测性下降时,算法复杂性提供了下降的回报.
- 随机交叉验证显著高估了由于时间泄漏的性能.
- 校准漂移是主要的故障模式,降低所有静态模型.
- 特性重要性稳定性并不能确保预测可靠性.
结论:
- 这些发现挑战了关于在传感器网络中增强方法的传统假设.
- 提供了对算法选择,配置和部署的可操作指南.
- 开放挑战包括不确定性量化,基于物理的模型和保护隐私的学习.
