...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Technological forecasting and social change >Determinants of electronic waste generation in Bitcoin network: Evidence from the machine learning approach
【24h】

Determinants of electronic waste generation in Bitcoin network: Evidence from the machine learning approach

机译：比特币网络中电子废物产生的决定因素：来自机器学习方法的证据

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Electronic waste is generating in the Bitcoin network at an alarming rate. This study identifies the determinants of electronic waste generation in the Bitcoin network using machine learning algorithms. We model the evolutionary patterns of electronic waste and carry out a predictive analytics exercise to achieve this objective. The Maximal Information Coefficient (MIC) and Generalized Mean Information Coefficient (GMIC) help to study the association structure. A series of six state-of-the-art machine learning algorithms - Gradient Boosting (GB), Regularized Random Forest (RRF), Bagging-Multiple Adaptive Regression Splines (BM), Hybrid Neuro Fuzzy Inference Systems (HYFIS), Self-Organizing Map (SOM), and Quantile Regression Neural Network (QRNN) are used separately for predictive modeling. We compare the predictive performance of all the algorithms. Statistically, the GB is a superior model followed by RRF. The performance of SOM is the least accurate. Our findings reveal that the blockchain's size, energy consumption, and the historical number of Bitcoin are the most determinants of electronic waste generation in the Bitcoin network. The overall findings bring out exciting insights into practical relevance for effectively curbing electronic waste accumulation.
机译：电子废物以惊人的速度在比特币网络中产生。本研究用机器学习算法识别比特币网络中电子废物产生的决定因素。我们模拟了电子废物的进化模式，并进行了预测分析练习，以实现这一目标。最大信息系数（MIC）和广义式信息系数（GMIC）有助于研究关联结构。一系列六种最先进的机器学习算法 - 梯度升压（GB），正规化随机森林（RRF），袋装 - 多元自适应回归花键（BM），混合神经模糊推理系统（HYFIS），自组织MAP（SOM）和定量回归神经网络（QRNN）单独使用以进行预测建模。我们比较所有算法的预测性能。统计上，GB是一种优越的模型，然后是RRF。 SOM的性能最不准确。我们的调查结果表明，区块链的尺寸，能耗和比特币的历史数是比特币网络中电子废物产生的最大决定因素。整体调查结果对有效遏制电子废物积累的实际相关性带来了令人兴奋的洞察力。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号