view in publisher's site

Prediction study on critical temperature (C) of different atomic numbers superconductors (both gaseous/solid elements) using machine learning techniques

Superconductors has been comprehensively studied as huge research effort taking into consideration of actuality that its invention ruins a theme of passionate discuss once its discovery completed. The standard behind this paper is the study about explaining as well as scrutinizing how different regression methods are used for predicting the superconducting critical temperature Tc from Superconductors database collected from Kaggle dataset source. Mainly, regression models such as linear Regressor, decision tree Regressor, Lasso Lars Regressor, Bayesian Ridge Regressor, XGB Regressor, and Huber Regressor have been studied to forecast critical temperature in superconductor materials.

بررسی پیش‌بینی دمای بحرانی ابررساناهای اعداد اتمی مختلف (هم عناصر گازی و هم عناصر جامد)با استفاده از تکنیک‌های یادگیری ماشین

ابررساناها به طور جامع به عنوان یک تلاش تحقیقاتی عظیم با در نظر گرفتن واقعیت که اختراع آن یک موضوع بحث پرشور را پس از اتمام کشف آن از بین می‌برد، مورد مطالعه قرار گرفته‌اند. استاندارد پشت این مقاله، مطالعه در مورد توضیح و بررسی چگونگی استفاده از روش‌های مختلف رگرسیون برای پیش‌بینی دمای بحرانی ابررسانایی Tc از پایگاه‌داده ابررساناهای جمع‌آوری‌شده از منبع مجموعه داده کاگل است. عمدتا مدل‌های رگرسیون مانند رگرسیون خطی، رگرسیون درخت تصمیم، رگرسیون لاسو لارس، رگرسور بیزی ریج، رگرسور XGB، و رگرسور هوبر برای پیش‌بینی دمای بحرانی در مواد ابررسانا مورد مطالعه قرار گرفته‌اند.
ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.