机器学习 - 拓端

Python开发BPNN、XGBoost与PSO寻优模型实现分子性质预测

By tecdat10月 27, 2026人工智能, 机器学习, 科学研究, 计算机科学与技术BP神经网络, PSO寻优, SMOTE过采样, Spearman相关, xgboost, 分子性质预测, 机器学习, 特征筛选, 类别不平衡, 粒子群优化

分子物理化学性质的准确预测是加速化学研发、降低高通量筛选成本的关键环节。本文基于机器化学家平台采集的20 万分子物理化学性质数据集（含 id、class、y1~y3 及 x1~x100 共 105 列），构建了一套完整的机器学习分子性质预测流程：对 y1、y2、y3 进行 IQR 异常值清洗与正态性检验，采用 Spearman 相关与随机森林基尼不纯度两路联合筛选锁定 x4、x6、x7 三个关键描述符，建立 BP 神经网络回归模型预测 y1（R²=0.9995，全量复现 1.000000）；针对 y3 构建完全二次型回归模型给出显式函数关系，并通过 ±5% 波动完成灵敏度分析；针对分子类别构建 XGBoost 多分类模型（准确率 0.9743），结合分层抽样应对类别不平衡；最后引入粒子群优化算法对模型超参数寻优，PSO-BPNN 将 y1 预测精度提升至 R²=0.9998，PSO-XGBoost 将分类准确率提升至 0.9914。该流程可直接迁移至材料筛选与性质预测场景，配套对话式 AI Agent 支持参数调整与实时预测。

员工离职风险预测系统：Stacking与XGBoost集成预警模型

By tecdat10月 15, 2026人工智能, 数理统计, 机器学习, 科学研究, 计算机科学与技术HRanalytics, Stacking, Streamlit, xgboost, 员工离职预测, 机器学习, 特征重要性, 集成学习, 风险预警

本文基于14,999条企业人力资源记录，对比逻辑回归、LDA、决策树、随机森林、AdaBoost、GBDT、XGBoost、Stacking、线性SVM、RBF SVM、多层感知机共11种机器学习方法预测员工离职风险。结论显示Stacking集成模型AUC达0.9922、准确率98.28%；XGBoost稳定性最强（AUC标准差0.0013）。特征重要性分析表明员工满意度与工龄合计贡献超66%的离职解释力。研究开发了Streamlit交互预警应用，实现秒级风险评估、风险分级与干预建议输出。

2026泡泡玛特深度分析报告：品类扩张与出海双轮驱动

By tecdat10月 15, 2026出海，跨境 & 全球化, 消费者研究2026, IP, LABUBU, 出海, 品类扩张, 情绪消费, 机器学习, 泡泡玛特, 潮玩

本报告为2026年泡泡玛特深度分析，围绕品类扩张与出海双轮驱动两条主线。核心结论：2024年营收130.4亿元、同比增长106.9%，约为2017年的八十倍；LABUBU所在IP收入同比增长726.6%、占比升至34.7%，海外收入占比38.85%、预计2027年达67.38%。伯恩斯坦高频指标显示流量热度回落七至九成，86%的LABUBU二手单品跌破发售价，机构对2026年收入预测最大分歧达122亿元。报告用机器学习八组建模交叉验证，提出换KPI、分散IP、放慢开店三项建议。

Python Streamlit外汇统计套利系统：Logistic与Ridge回归，均值回归与机器学习增强附Agent教程

By tecdat10月 8, 2026AI人工智能辅导, Python辅导, 人工智能, 大数据部落, 技术支持, 数理统计, 科学研究, 经济, 计算机科学CS辅导, 计算机科学与技术, 金融Agent, AI agent, average, foreign exchange, forex quantitative, intelligent agent, logistic regression, Logistic与Ridge回归, Logistic回归, machine learning, machine learning enhancement, mean, mean reversion, ML, out-of-sample, Pairs Trading, python, quantitative trading, relative value, ridge regression, Ridge回归, risk management, Sharpe ratio, statistical arbitrage, Streamlit, Streamlit外汇统计套利系统, walk-forward backtesting, z-score, Z分数, 均值, 均值回归, 夏普比率, 外汇, 外汇量化, 智能体, 机器学习, 机器学习增强, 样本外, 滚动前向检验, 相对价值, 统计套利, 配对交易, 量化交易, 风险管理

本文构建了一套基于 Python 与 Streamlit 的外汇统计套利系统：以 7 个美元主要货币对的 15 分钟行情构造对数价差，用滚动 Z 分数度量偏离并决定交易方向，再用 Logistic 回归估计回复概率做入场过滤、Ridge 回归预测价差变化幅度做仓位确认。采用 40 天训练、5 天测试、步长 5 天的滚动前向检验（共 17 个样本外折叠），等权组合样本外总收益 3.98%、年化 12.28%、超额夏普 1.29、最大回撤仅 3.12%；并在模拟盘完成 12 个决策周期的自动化实盘验证，产生真实成交。