刚开始觉得两三千买个这么个小家伙不值当，小卷体验了之后都说要买买买。
并利用交叉验证的方法，学生小学解释了分类模型的准确性，精确度为92±0.01%（图3-9）。因此，看待2018年1月，美国加州大学伯克利分校的J.C.Agar[7]等人设计了机器学习工作流程，帮助我们理解和设计铁电材料。
首先，育内利用主成分分析法（PCA）对铁电磁滞回线进行降噪处理，育内降噪后的磁滞曲线由（图3-7）黑线所示，能够很好的拟合磁滞回线所有结构特征，解决了传统15参数函数拟合精度不够的问题（图3-7）红色。随后开发了回归模型来预测铜基、小卷铁基和低温转变化合物等各种材料的Tc值，小卷同样取得了较好结果，利用AFLOW在线存储库中的材料数据，他们进一步提高了这些模型的准确性。然后，学生小学采用梯度提升决策树算法，建立了8个预测模型（图3-1），其中之一为二分类模型，用于预测该材料是金属还是绝缘体。
3.1材料结构、看待相变及缺陷的分析2017年6月，看待Isayev[4]等人将AFLOW库和结构-性能描述符联系起来建立数据库，利用机器学习算法对成千上万种无机材料进行预测。图3-7 单个像素处压电响应的磁滞回线：育内原始数据（蓝色圆圈），传统拟合曲线（红线）和降噪处理后的曲线（黑线）。
随后，小卷2011年夏天，奥巴马政府宣布了材料基因组计划(MaterialsGenomeInitiative,简称MGI)，该计划在材料科学中掀起了一场革命。
图3-5 随机森林算法流程图图3-6超导材料的Tc散点图3.2辅助材料测试的表征近年来，学生小学由于原位探针的出现，学生小学使研究人员研究铁电畴结构在外部刺激下的翻转机制成为可能。同时，看待对这些固体混合物比例的调控，又提供了另一维度的优化策略（如图14所示）。
优化调节高分子聚合物的结构与特性（Polymer-basedoptimization）：育内由于高分子聚合物结构中悬挂的官能团能与分子配合物中的金属中心配位，育内从而来调控金属中心的电子密度与催化活性（如图12所示），所以，可以通过调节悬挂官能团的电子给体能力的不同，来调控催化体系的催化活性（如图13所示）。以及增加大环配体的共轭结构，小卷以期来调控分子催化剂的活性，催化电位，结构稳定性以及对特定产物的选择性（如图11所示）。
除此之外，学生小学调节高分子聚合物/混合材料的导电性，学生小学例如加入导电性较好的石墨烯碳材料来提高不导电的P4VP的导电性，可以进一步提升催化体系的催化活性物流是否是提升用户体验的关键如果说上述关于物流的两个作用还停留在对物流的送货理解上，看待那么基于物流能力提升用户综合体验是更加重要的方面。