《基于机器学习的热舒适投票预测》讲解了对某大型商场内的空气状态、空气品质、光环境及声环境等多项参数进行实测，并结合受试者的个人参数，建立并评价热舒适投票预测模型的过程。研究通过决策树、逻辑回归、支持向量机和随机森林这几种机器学习算法来构建预测模型，并探讨了不同类型输入参数（如单输入参数与多输入参数）对这些模型预测性能的影响。研究表明，当使用单一环境或个人参数作为输入参数时，各模型预测表现差异明显。特别是以空气相对湿度为单输入参数时预测结果较为理想。对于多个变量组合情况，发现扩大至涵盖所有测量和调研得到的数据点，可以显著提升模型的准确性，尤其是空气状态参数和个人参数相结合能够明显改善热舒适投票的预测效果。该研究强调利用多种因素数据进行更准确的人体热舒适感受预测，这对于实际场景中提供更为适宜的室内环境有着重要指导意义。
《基于机器学习的热舒适投票预测》适用于建筑设计及暖通空调系统的开发工程师、建筑环境科学家和相关科研人员。本研究所提供的模型评估结果对于在复杂且动态变化的大空间环境中，例如商场、机场候机楼以及其他公共设施中实现优化的人工气候控制系统有重要意义。此外，该文章中的研究方法及结论可帮助上述领域的专业人士更好地理解影响人们热舒适感知的各种因素，通过引入先进的数据分析工具提高环境调节效率与精准度，从而制定出符合人体工效学的设计规范和技术指南。
