圖1.9Cr數據集中的特征9Cr數據分析中考慮的合金特征。1/2組是原始實驗數據，3/4組是計算的合成合金特征。該數據集涵蓋了從室溫到800°C的數據，溫度旁邊的括號中的值表示每個溫度下的數據點數

圖2.基于相關性分析的機器學習準確性。以原始實驗數據（成分，處理和測試條件以及PAGS）為函數的五個訓練過的ML模型（BR貝葉斯嶺回歸；LR線性回歸；NN最近鄰；RF隨機森林；SVM支持向量機）的準確性 整個9Cr數據集中排名最高的要素的數量。每個模型的超參數最多可進行150次迭代以獲得最佳參數。每個模型接受十次訓練以確定平均準確度及其標準偏差。

圖3.不同溫度下子集數據的相關性分析。所有特征（組成，加工和測試條件，微觀結構和相變溫度，請參見表1）與選定代表溫度下的屈服強度之間的相關性分析結果。給出了200°C（低溫），550°C和650°C（中至高溫）以及750°C（高于使用溫度）的45個特征中前10個和后10個特征的相關系數。

圖4.各個溫度子數據集的ML性能。根據MIC和b PCC分析得出的經過訓練的ML模型（以隨機森林為例）的精度與溫度和頂級特征數的關系。對模型進行了十次訓練，以確定平均準確度及其標準偏差（誤差線）。每個模型的超參數最多可進行150次迭代以獲得最佳參數。垂直虛線指示從哪里開始出現數據不足和相關功能的問題。

圖5.截斷（≤650°C）數據集中所有合金特征與屈服強度之間的相關性分析。a來自MIC的排名前20位的特征和| PCC |來自的相應特征，以及b來自PCC分析的前10名和后10名特征。

圖6. ML性能與排名最高的功能數量的關系。五個經過訓練的ML模型（BR貝葉斯嶺回歸；LR線性回歸；NN最近鄰；RF隨機森林；SVM支持向量機回歸）在預測屈服強度方面的準確性。這些模型接受了高通量計算中合成的合成特征的訓練，這些特征是截斷的數據集（≤650°C）中排名最高的特征的數量的函數。每個模型的超參數最多可進行150次迭代以獲得最佳參數。每個模型經過十次訓練，以確定平均準確度及其標準偏差（誤差線）。

圖7.具有MIC和PCC分析的前10個特征的具有隨機森林（RF）的9Cr鋼的實驗屈服強度與預測屈服強度。  MAE代表平均絕對誤差（MAE）。

圖8.實驗和預測的具有隨機森林（RF）的9Cr鋼的PAGS，具有MIC和PCC分析的前10個特征。MAE代表平均絕對誤差（MAE）。