Accurate prediction of the L–H transition power threshold is essential for achieving steady-state high-performance burning plasmas in future fusion reactors. In this study, we develop a machine learning–based regression framework to predict the plasma power loss across the separatrix, , at the onset of the L–H transition. The model is trained on 3308 EAST discharges; from each discharge, we extract exactly one sample at the onset of its first L–H transition. Three ensemble learning models—random forest, XGBoost, and CatBoost—are systematically compared. As a benchmark, we compare our results with the empirical ITPA scaling law, which was derived from the high-density branch of the L–H power threshold in favorable ion drift configurations of ITER-like plasmas. On our present EAST database, which spans both high-density and low-density regimes and includes discharges with both favorable and unfavorable drift directions, the CatBoost model attains the highest predictive accuracy and yields significantly lower errors than the multivariate linear regression baseline. Model interpretation is performed using SHAP (SHapley Additive exPlanations). The SHAP rankings indicate that the key variables appearing in empirical L–H scaling relations (S, , and ) remain the dominant predictors, while the plasma current is consistently identified as an additional leading contributor. Equilibrium-related and geometry-related parameters (, , q95, κ) also exhibit non-negligible contributions. Underexplored spatial variables such as ZLX show a notable impact on the power threshold within the present EAST database. These results suggest that the machine-learning analysis can reproduce the main dependencies embodied in conventional scaling laws, while also indicating additional effects that are not explicitly encoded in the Martin scaling. The present framework provides an alternative data-driven approach for predicting the L–H transition, which may be particularly useful for exploring how multiple coupled control parameters jointly influence the L–H power threshold in complex, reactor-relevant operating scenarios.
L–H遷移パワー閾値の正確な予測は、将来の核融合炉において定常高性能燃焼プラズマを達成するために不可欠である。本研究では、L–H遷移の開始時におけるセパラトリックスを横切るプラズマ損失電力、 、を予測するための機械学習ベースの回帰フレームワークを開発する。モデルは3308件のEAST放電で訓練される。各放電から、最初のL–H遷移の開始時に正確に1つのサンプルを抽出する。ランダムフォレスト、XGBoost、CatBoostの3つのアンサンブル学習モデルを体系的に比較する。ベンチマークとして、ITER類似プラズマの好ましいイオン ドリフト配位におけるL–Hパワー閾値の高密度領域から導出された経験的ITPAスケーリング則と我々の結果を比較する。高密度および低密度領域の両方にわたり、好ましいおよび好ましくない ドリフト方向の両方の放電を含む現在のEASTデータベースでは、CatBoostモデルが最高の予測精度を達成し、多変量線形回帰ベースラインよりも有意に低い誤差をもたらす。モデル解釈はSHAP（SHapley Additive exPlanations）を用いて行われる。SHAPランキングは、経験的L–Hスケーリング関係に現れる主要変数（S、 、および ）が支配的な予測因子であり続け、プラズマ電流 が追加の主要な寄与因子として一貫して特定されることを示している。平衡関連および幾何学関連のパラメータ（、 、q95、κ）も無視できない寄与を示す。ZLXなどの未探索の空間変数は、現在のEASTデータベース内でパワー閾値に顕著な影響を示す。これらの結果は、機械学習分析が従来のスケーリング則に具現化された主要な依存関係を再現できると同時に、Martinスケーリングに明示的に組み込まれていない追加の効果も示すことを示唆している。本フレームワークは、L–H遷移を予測するための代替データ駆動アプローチを提供し、複雑で炉に関連する運転シナリオにおいて、複数の結合された制御パラメータがL–Hパワー閾値にどのように共同で影響するかを調査するのに特に有用である。