Key points are not available for this paper at this time.
기후 변화와 환경 지속 가능성에 대한 전 세계적인 우려가 높아짐에 따라, 미국의 공급망 운영에서 배출량 및 생태 발자국 감소에 대한 관심이 증가하고 있습니다. 본 연구는 탄소 배출량을 줄이고 지속 가능한 운영을 보장하기 위해 공급망 관리 분야에서 예측 분석 및 기계 학습의 적용을 탐구했습니다. 현재 연구 논문에 대해 Walmart 조직은 이 연구에서 사용된 모든 공급망 활동 데이터를 제공했으며, 이는 산업 활동 수준, 생산 출력, 에너지 소비, 사용된 연료 유형, 지리적 데이터 및 기상 조건에 대한 포괄적인 데이터를 포함했습니다. 세 가지 기계 학습 알고리즘이 훈련 및 테스트되었으며, 특히 랜덤 포레스트, XG-부스트 및 배깅 알고리즘이 포함되었습니다. 모든 지표에 따르면, 랜덤 포레스트는 우수한 일반화, 높은 정밀도 및 재현율, 높은 AUC 덕분에 가장 좋은 분류기로 평가되었습니다. 결과에 따르면, 랜덤 포레스트 알고리즘은 평가된 모든 모델 중 예측에서 가장 정확했습니다. 랜덤 포레스트를 구현함으로써 미국의 기업들은 높은 정확성과 견고성, 유연성, 확장성, 위험 관리 및 완화의 이점을 누릴 수 있습니다. 미국 경제에 관해서는 랜덤 포레스트 배치가 다음과 같은 방법으로 정부에 이익을 줄 수 있습니다: 탄소 발자국 감소, 외국인 투자 유치, 경쟁 우위 강화.
MD 로키불 하산 (수요일)이 이 문제를 연구했습니다.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: