基于人工智能的可再生能源电解水制氢关键技术及发展前景分析

杨博, 张子健

Analysis of Key Technologies and Development Prospects for Renewable Energy-Powered Water Electrolysis for Hydrogen Production Based on Artificial Intelligence

Bo YANG, Zijian ZHANG

表2 AI在数据挖掘中的应用

Tab. 2 Applications of AI in data mining

应用方面 方法 方法描述 特征选择 包裹法 使用特定的机器学习算法(如递归特征消除)评估特征的重要性 嵌入法 在模型训练过程中自动进行特征选择，如Lasso回归和树模型中的特征重要性评分 特征工程 特征组合 将多个特征进行交叉、相乘或其他组合操作，生成新的特征，如交叉特征、交互特征 特征生成 通过聚类、自动编码器等方法，从原始数据中生成新的、更具代表性的特征 特征降维 主成分分析 将原始特征投影到一个低维空间，保留数据的主要信息，通过主成分提取数据的主要变异，减少特征数量 线性判别分析 寻找能够最大化类间方差与类内方差比值的特征组合，常用于分类任务，通过线性变换找到能区分不同类别的特征组合 t-SNE和UMAP 适用于高维数据的可视化和降维。t-SNE和UMAP是2种非线性降维技术，能够在保持局部结构的同时，将高维数据嵌入到低维空间，适合数据的可视化和聚类分析