统计学家和物理学家联手将机器学习方法应用于核数据挖掘

物理学家使用理论模型来研究物理量，例如原子核的质量，但他们没有实验数据。然而，使用单一的不完善的理论模型可能会导致误导性的结果。为了提高外推预测的质量，科学家可以使用几种不同的模型并混合他们的结果。通过这种方式，科学家充分利用多个模型的集体智慧，并从最新的实验信息中获得最佳预测

为了提高复杂计算模型的可预测性，一个核物理学家和统计学家团队提出了一种新的统计方法。这种方法使用一种称为贝叶斯定理的统计过程，在获得新数据时修正假设的概率。这项研究发表在《科学报告》杂志上

由此产生的机器学习框架使用所谓的狄利克雷分布。这个统计过程结合了几个不完美模型的结果。研究人员展示了所提出的混合技术挖掘核质量数据的能力

这项研究表明，全局和局部混合模型在预测准确性和不确定性量化方面都具有出色的性能。这些混合物似乎比传统方法的经典贝叶斯模型平均更可取。此外，研究人员的分析表明，通过直接混合来改进模型预测，会比混合校正模型带来更稳健的外推