Prediction of Concrete Compressive Strength Using Boosting-Based Machine Learning Algorithms

Dieses Kapitel vertieft sich in die Vorhersage konkreter Druckfestigkeit mittels Boosting-basierter maschineller Lernalgorithmen, wobei der Schwerpunkt auf der Bewertung der Leistung von AdaBoost, Gradient Boosting Machine (GBM), Extreme Gradient Boosting (XGBoost), LightGBM und CatBoost liegt. Die Studie verwendet einen Benchmark-Datensatz aus dem UCI-Repository, der 1030 Stichproben mit acht numerischen Eingabemerkmalen und einer Zielvariablen umfasst: Druckfestigkeit. Die Daten sind in Trainings- und Testsätze aufgeteilt, wobei die Eingabefunktionen normalisiert sind, um eine konsistente Skalierung zu gewährleisten. Das Kapitel hebt die nichtlineare und multivariable Natur des Problems hervor und betont die Notwendigkeit robuster Vorhersagemodelle. Der Leistungsvergleich zeigt, dass CatBoost mit R ² -Werten von 0,9943 am Trainingsset und 0,9440 am Testset die höchste Genauigkeit erreicht. XGBoost und GBM liefern ebenfalls gute Ergebnisse, während AdaBoost nur begrenzte Vorhersagefähigkeiten aufweist. Die überlegene Leistung von CatBoost wird seinem fortschrittlichen algorithmischen Design zugeschrieben, das komplexe Interaktionen von Merkmalen effektiv erfasst und gleichzeitig Verallgemeinerungen beibehält. Das Kapitel schließt mit der Betonung des Potenzials, Algorithmen, insbesondere CatBoost, in Anwendungen des Bauwesens zu fördern, wo eine präzise Vorhersage der Materialeigenschaften unverzichtbar ist.