Ensemble Approach for Capacitance Prediction of Heteroatom Doped Carbon Based Electrode Materials

Abstract

Моделювання машинного навчання на основі ансамблевого підходу використовується в поточному дослідженні для виявлення впливу різних параметрів електродів на електрохімічні характеристики нановуглеців, легованих гетероатомами. Це досягається за допомогою трьох метакласифікаторів у поєднанні з традиційними моделями багаторівневого персептрона та випадкового лісу. Використані три метакласифікатори, а саме (i) пакетування, (ii) класифікація за допомогою регресії (CVR) і (iii) мультикласовий класифікатор (MCC). Серед цих трьох моделей пакетування та класифікація за допомогою регресії забезпечили більшу точність з точки зору правильно класифікованих екземплярів (%) і площі під значеннями області конвергенції. Розроблені моделі використовуються для прогнозування класів питомих значень ємності. 94,5 % розглянутого набору даних класифіковано правильно, що підтверджує кращу точність розроблених моделей. Найменше середньоквадратичне значення 0,1787 було отримано для радіочастотної моделі. У порівнянні з моделями, визначеними в літературі, запропоновані моделі в цій роботі забезпечують найкращу відповідність експерименту та прогнозованих значень з найвищою точністю та найнижчими значеннями продуктивності похибок. Найменше значення похибки для моделей RF і MLP становить 0,18 і 0,19 відповідно.

An ensemble approach-based machine learning modeling is used in the current study for unveiling the effect of various electrode parameters on the electrochemical performance of hetero-atom doped nanocarbons. This is achieved using three meta-classifiers in combination with traditional Multi-Layer Perceptron and Random Forest models. The three meta-classifiers used are namely (i) bagging, (ii) classification via regression (CVR) and (iii) multi class classifier (MCC). Amongst these three models, bagging and classification via regression provided greater accuracy in terms of correctly classified instances (%) and area under region of convergence values. The designed models are used to predict class of specific capacitance values. 94.5 % of the considered dataset is classified correctly proving a better accuracy of the designed models. Lowest root mean square value of 0.1787 was obtained for RF model. Compared to the models defined in the literature, the suggested models in this work provide best fit of the experiment and predicted values with highest accuracy and lowest error performance values. The lowest error value for RF and MLP models are 0.18 and 0.19 respectively.