Journal Of Modern Research Physics

fa روش تلفیقی مدل‌های آماری انباشته در بهبود نتایج یادگیری ماشین در پیش بینی گاف انرژی مواد Efficient machine learning method, Stacking, to improvement of material band gaps prediction فیزیک محاسباتی پژوهشي Research در این پژوهش با استفاده از رویکرد یادگیری ماشین به پیش بینی گاف انرژی   دسته ای از مواد نیمه رسانا پرداخته شده است. هدف اصلی پژوهش بر این مبنا  بوده که با تلفیق روش های مختلف در یادگیری ماشین، سعی بر ارائه روشی  کارآمد در پیش بینی گاف انرژی مواد داشته باشیم. روش انباشته یک روش  جدید در میان آلگوریتم های یادگیری ماشین می باشد که با بهره گیری از روش  های مرسوم، تلفیق آنها با یکدیگر و استفاده از مزیت هریک از روش های آماری  روشی کارآمد و با دقت باالتر نسبت به هریک از روش های مورد استفاده، می  باشد. با استفاده از روش ه ایی چون از درخت تصمیم تقویت گرادیان، تقویت  گرادیان سبک، جنگل تصادفی و تقویت گرادیان حداکثری یک مدل ترکیبی  انباشته ارائه داده ایم که نتایج شبیه سازی بهتری نسبت به هریک از روش های  نام برده ارائه کرده است.    In this research, energy band gap of specific materials has been predicted using machine learning approach. We try by using mixing some usual machine learning methods to presenting an efficient machine learning method to improve material band gap prediction. Based on Gradient Boosting Decision Tree, Light Gradient Boosting, Random Forest and Extreme Gradient Boosting, we presented Stacking method by mixing all mentioned methods as an efficient machine learning method.   یادگیری ماشین, گاف انرژی, XGBoost, Stacking, ضریب رگرسیون. Machine Learning, Energy Band Gap, XGBoost, Stacking, Regression Coefficient. 18 25 http://jmrph.khu.ac.ir/browse.php?a_code=A-10-404-1&slc_lang=fa&sid=1 Anoshirvan Ghaffaripour انوشیروان غفاری پور aghaffaripour@yu.ac.ir 10031947532846001456 10031947532846001456 Yes Yasouj University دانشگاه یاسوج Behrooz Vaseghi بهروز واثقی vaseghi@yu.ac.ir 10031947532846001457 10031947532846001457 No Yasouj University دانشگاه یاسوج