Naukowcy zbudowali system klasyfikacji łożysk wykorzystujący neutrosoficzny rozkład ensemble'u trzech modeli - Random Forest, XGBoost i regresji logistycznej - aby lepiej uchwyćić niepewność w przewidywaniach. Tradycyjne miary pewności (confidence scores) zwykle łączą pewne błędy z rzeczywiście niejasnymi przewidywaniami, a algebraiczna redundancja pary T i F prowadzi do utraty informacji. Zespół opracował cztery wskaźniki: T-hat (evidencja klasy głównej), F-hat (evidencja konkurencyjnego kandydata), entropię predykcji I1-hat i niezgodę decyzji I2-hat.
Ensemble osiągnął spektakularne wyniki na standardowym benchmarku CWRU (100 procent dokładności na trzech z czterech warunków), ale tutaj ujawniła się fundamentalna słabość - zbyt mało błędów do analizy niepewności. Prawdziwy test przyszedł z benchmarkiem JNU przy zmiennej prędkości: gdy model trzymał warunki 1000 rpm, dokładność spadła do 40,64 procenta, poniżej progu większościowej klasy bazowej. Interesujące odkrycie: regresja logistyczna sama sobie (57,91 procenta) generalizowała znacznie lepiej niż duże ensemble'e z drzew decyzyjnych.
Analiza pokazała, że I1-hat (entropia predykcji) wykazywała solidne powiązanie z błędami, lepsze niż tradycyjne miary T-hat i F-hat, natomiast I2-hat (niezgoda między modelami) wnosiła mało. Stanowe odkrycie zespoł raportuje uczciwie: samodzielna pewność regresji logistycznej przebijała pełny rozkład neutrosoficzny. Dodatkowe eksperymenty pokazały, że fuzja modelu dziedziny czasowej i częstotliwościowej tej samej sygnału, oceniana przez dywergencję Jensena-Shannona, przewyższała własną entropię każdego modelu.