
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于机器学习与SHAP分析的高校大型科学仪器综合性能得分预测研究
《Scientific Reports》:Prediction and interpretation of comprehensive performance of large-scale instruments in universities using interpretable machine learning
【字体: 大 中 小 】 时间:2026年09月20日 来源:Scientific Reports 4.9
编辑推荐:
摘要为推动高校大型科学仪器的数据驱动管理,本研究构建了一个针对仪器综合性能得分(CPS)的预测模型,并通过整合机器学习(ML)和可解释性分析来确定其核心影响因素。基于一所大学 18 个部门 223 台大型仪器的运行数据,选取了七个核心指标作为输入特征。九个模型,包括三个线性基
为推动高校大型科学仪器的数据驱动管理,本研究构建了一个针对仪器综合性能得分(CPS)的预测模型,并通过整合机器学习(ML)和可解释性分析来确定其核心影响因素。基于一所大学 18 个部门 223 台大型仪器的运行数据,选取了七个核心指标作为输入特征。九个模型,包括三个线性基线(线性、岭和拉索)和六个经典机器学习算法(KNN、SVM、DT、RF、XGBoost、CATBoost)使用 R2、MAE、RMSE 和 MAPE 进行了比较,数据预处理采用了描述性统计和皮尔逊相关性分析,并使用 SHAP 方法对特征重要性进行量化和影响模式分析。结果显示,集成学习模型优于传统模型,其中 XGBoost 取得了最佳的测试集表现和优秀的泛化能力,显示没有过拟合或欠拟合的迹象。SHAP 分析揭示,年有效对外运行机时(35.3%)、对内收入(27.9%)和共享率(20.3%)是核心决定因素,贡献了超过 80% 的模型预测力,并产生显著的正向单调影响。机时利用率有中等正向影响,设备原值表现出复杂的非线性影响,对外收入和年新增功能的影响微乎其微。本研究为 XGBoost 在仪器性能预测中的优越性提供了证据,并阐明延长对外服务机时、增加对内收入和改善资源共享是与较高仪器性能最相关的重要因素。研究结果为高校优化仪器资源配置提供了科学依据,并推动仪器管理从经验驱动向数据驱动实践转变,对高等教育中大型科学仪器的智能化管理具有重要意义。