8、材料属性预测与数据依赖挖掘技术解析

材料属性预测与数据依赖挖掘技术解析

1. 可扩展高斯过程回归预测材料属性

1.1 实验数据展示

可扩展高斯过程回归（Scalable GPR）用于预测材料的电导率，目标误差设定为 15%。以下是不同测试点数量下的实验数据：
| 测试点数量 | 批次数量 | 每个测试点平均训练时间 | 每个测试点平均预测时间 | 每个测试点平均总时间 | 绝对误差（AE）% |
| ---- | ---- | ---- | ---- | ---- | ---- |
| 100 | 25 | 0.688 | 0.044 | 0.732 | 14.5 |
| 500 | 124 | 0.885 | 0.045 | 0.928 | 14.9 |
| 1000 | 250 | 0.966 | 0.042 | 1.008 | 14.8 |
| 1500 | 375 | 0.741 | 0.043 | 0.784 | 14.2 |
| 2000 | 500 | 1.01 | 0.042 | 1.06 | 14.8 |
| 3000 | 750 | 0.715 | 0.042 | 0.758 | 14.7 |

从这些数据中可以看出，随着测试点数量的增加，平均训练时间和总时间并没有呈现出简单的线性变化。这表明训练矩阵的大小对计算时间有着复杂的影响。

1.2 训练矩阵大小与预测误差的关系

通常认为，较小的训练集会导致预测效果不佳，而较大的训练集则会产生更准确的预测结果。然而，在对马氏体开始温度（Ms）和电导率的预测实验中发现，当训练矩阵的大小在一定范围内（102.7 到 104.7）时，训