图1：展示了机器学习在高熵合金研究中的基本工作流程图，包括数据收集、数据预处理、算法选择、超参数优化、模型评估和模型可解释性六个主要步骤，为后续各性能预测的应用提供了统一的分析框架。

图9：展示了基于深度学习的相结构预测结果。图中对比了原始特征集与经递归特征消除筛选后的特征集的交叉验证精度，结果表明经过特征筛选后模型的预测精度显著提升，证明合理的特征选择对提高相预测准确性至关重要。

图16：展示了基于Stacking集成学习策略的高硬度高熵合金预测系统框架图。该框架以CatBoost和LightGBM作为基学习器，通过集成多个弱学习器来提高硬度预测的准确性和稳定性，有效降低了单一模型过拟合的风险。

图17：展示了集成学习模型对高熵合金硬度的预测性能。训练集、测试集和十折交叉验证的拟合曲线基本一致，表明模型未发生过拟合；留一法交叉验证的R²和RMSE结果均表现优异，证明了模型具有良好的预测能力和外推能力。

图22：展示了机器学习优化的异质晶粒结构CrCoFeNi高熵合金的屈服强度与晶粒尺寸关系。当小晶粒尺寸为38.4 nm时屈服强度达到最大值（9.54±0.08 GPa），对应原子模型的应力-应变曲线与物理模型和机器学习模型的预测高度一致。 

图29：展示了机器学习辅助高熵合金储氢性能设计的完整流程及结果。KNN模型在H/M比预测中表现最优，SVR模型在VEC预测中精度最高；通过反向优化设计，从6188种潜在合金组合中筛选出774种具有优异储氢潜力的合金。