ارزیابی الگوریتم های مختلف انتخاب ویژگی در بهبود پیش بینی مکانی کلاس های خاک
تعداد متغیرهای محیطی مورد استفاده برای نقشه برداری رقومی خاک به سرعت افزایش یافته است، که انتخاب و تمرکز بر روی مهم ترین متغیرهای کمکی را با چالش روبه رو کرده است. از طرفی، شناسایی همه متغیرهای محیطی به منظور دستیابی به اطلاعات مکانی برای بهبود پیش بینی ها، سودمند است. در این راستا، الگوریتم های انتخاب ویژگی با شناسایی متغیرهای کمکی مرتبط، به کاهش ابعاد مدل پیش بینی کننده کمک می کنند. در مطالعه حاضر، چهار تکنیک مختلف انتخاب ویژگی شامل عامل تورم واریانس (VIF)، تجزیه مولفه های اصلی (PCA)، باروتا (Boruta) و حذف ویژگی بازگشتی (RFE) به منظور تولید مجموعه ای بهینه از متغیرهای کمکی، برای پیش بینی مکانی کلاس های خاک در سطح گروه بزرگ به کمک مدل جنگل تصادفی بکار گرفته شد. مقایسه تکنیک های مختلف انتخاب ویژگی در تخمین کلاس های خاک، با استفاده از معیارهای ارزیابی دقت و ضریب کاپا بین مقادیر مشاهده شده و پیش بینی شده، انجام شد. نتایج نشان داد، با استفاده از متغیرهای انتخاب شده توسط روش های مختلف انتخاب ویژگی نسبت به کاربرد همه متغیرها در مدل، دقت پیش بینی تا حدودی افزایش یافت. همچنین در میان چهار رویکرد انتخاب ویژگی، بهبود عملکرد پیش بینی متفاوت بود. روش VIF و PCA به ترتیب بیشترین و کمترین دقت و ضریب کاپا را داشتند، در حالی که روش باروتا با کمترین تعداد متغیر توانست بعد از VIF عملکرد مدل را بهبود بخشد. به طور کلی یافته ها نشان داد، کاربرد روش های انتخاب ویژگی می تواند از وابستگی قابل توجه متغیرهای کمکی مربوطه برای پیش بینی کلاس های خاک استفاده کند و دقت مدل سازی را بهبود بخشد.
پرداخت حق اشتراک به معنای پذیرش "شرایط خدمات" پایگاه مگیران از سوی شماست.
اگر عضو مگیران هستید:
اگر مقاله ای از شما در مگیران نمایه شده، برای استفاده از اعتبار اهدایی سامانه نویسندگان با ایمیل منتشرشده ثبت نام کنید. ثبت نام
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.