Predicting the outcomes of a weld based on few metals with respect to its process parameters is a trivial phenomenon. However, the prediction requires complex mathematical formulation when the number of metals grows. The exponential rise in testing data of welding components in recent time, have increased the data inconsistency and complexity by manifolds. Further, the multi-physical characteristic of welding data adds to its chaotic nature. This makes manual or simulation-based extraction of useful information from welded data extremely challenging. Developing predictive models for tensile-shear strength of Resistance Spot Welding (RSW) is highly latency-bound. The recent success of machine learning approaches in variety of fields gives us motivation to address this issue. In this paper, we proposed a machine learning model inspired from random forest (RF) which predicts the tensile-shear strength of nugget from its input parameters and large number of metals. We trained the prediction model using data from 435 spot-welding cases and compared its performance with widely used M5P model tree. For all cases, RF-based prediction model outperforms the M5P model in terms of accuracy. Four different feature extraction techniques namely manual feature selection, correlation attribute eval., classification attribute eval., and reliefF attribute eval. were investigated to improve the performance of random forest model. From these methods, when model is very complex i.e. higher training size, classification attribute eval. provides greater accuracy with RMSE_Test of 0.5442. Moreover, no overfitting and underfitting was observed in this prediction.

根据很少的金属，就其工艺参数来预测焊缝的结果，这是微不足道的现象。但是，随着金属数量的增加，这种预测需要复杂的数学公式。焊接零件的测试数据近来呈指数增长，通过歧管增加了数据的不一致性和复杂性。此外，焊接数据的多物理特性增加了其混乱的性质。这使得从焊接数据中手动或基于仿真的有用信息提取变得极具挑战性。开发电阻点焊（RSW）的拉伸剪切强度的预测模型具有很高的潜伏性。机器学习方法在各个领域的最新成功使我们有动力解决这个问题。在本文中，我们提出了一种受随机森林（RF）启发的机器学习模型，该模型可根据其输入参数和大量金属预测金块的拉伸剪切强度。我们使用来自435个点焊案例的数据训练了预测模型，并将其性能与广泛使用的M5P模型树进行了比较。对于所有情况，基于RF的预测模型在准确性方面都优于M5P模型。四种不同的特征提取技术，即手动特征选择，关联属性评估，分类属性评估和reliefF属性评估。为了提高随机森林模型的性能，进行了调查。从这些方法中，当模型非常复杂时，即训练量较大时，将评估分类属性。使用RMSE提供更高的精度 我们使用来自435个点焊案例的数据训练了预测模型，并将其性能与广泛使用的M5P模型树进行了比较。对于所有情况，基于RF的预测模型在准确性方面都优于M5P模型。四种不同的特征提取技术，即手动特征选择，关联属性评估，分类属性评估和reliefF属性评估。为了提高随机森林模型的性能，进行了调查。从这些方法中，当模型非常复杂时，即训练量较大时，将评估分类属性。使用RMSE提供更高的精度 我们使用来自435个点焊案例的数据训练了预测模型，并将其性能与广泛使用的M5P模型树进行了比较。对于所有情况，基于RF的预测模型在准确性方面都优于M5P模型。四种不同的特征提取技术，即手动特征选择，关联属性评估，分类属性评估和reliefF属性评估。为了提高随机森林模型的性能，进行了调查。从这些方法中，当模型非常复杂时，即训练量较大时，将评估分类属性。使用RMSE提供更高的精度 分类属性评估和reliefF属性评估。为了提高随机森林模型的性能，进行了调查。从这些方法中，当模型非常复杂时，即训练量较大时，将评估分类属性。使用RMSE提供更高的精度 分类属性评估和reliefF属性评估。为了提高随机森林模型的性能，进行了调查。从这些方法中，当模型非常复杂时，即训练量较大时，将评估分类属性。使用RMSE提供更高的精度_测试为0.5442。此外，在此预测中未观察到过度拟合和拟合不足。