文献

J-GLOBAL ID：202002210580704885   整理番号：20A1444983

次元縮小に基づくアンサンブルモデルを用いた植物病害の予測精度の改善【JST・京大機械翻訳】

Improving the Accuracy of Prediction of Plant Diseases Using Dimensionality Reduction-Based Ensemble Models

著者 (2件)： Mohamed Yousuff A. R. (School of Computer Science and Engineering, VIT University, Vellore, India) ,  Rajasekhara Babu M. (School of Computer Science and Engineering, VIT University, Vellore, India)
資料名： Advances in Intelligent Systems and Computing  (Advances in Intelligent Systems and Computing)
巻： 1054  ページ： 121-129  発行年： 2020年 
JST資料番号： W5075A  ISSN： 2194-5357  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 多くの実世界アプリケーションにおいて,異なる特徴が得られ,縮小次元でそれらをいかに利用するかは,挑戦課題である。各見解が,その特定の統計的性質と物理的解釈を持つので,それらを長いベクトルに単純化することは適切ではない。この低次元空間とマップデータを同定し,教師つき学習問題における予測子の数を減らし,データ関係とクラスタのより良い可視化を可能にするため,多くの次元縮小法が開発された。しかしながら,次元縮小技術の過多は,様々な非線形,大域的および局所法を提供し,各方法が異なるデータ特徴を捉える可能性がある。アンサンブル法は,ランダムフォレストからAdaBoostへの教師つき学習において多くの成功を達成した。アンサンブルは多様性とバランスバイアス,分散,および共分散を利用して,これらの結果を達成するためには,異種次元縮小法が次元縮小ベースアンサンブル内の多様性を強化するであろう。AdaBoostとランダムフォレストは,ターゲット変数の分類に広く使用されている一般的なアンサンブル法である。AdaBoostとランダムフォレストのようなアンサンブルによるMajor問題は,データの次元が高いとき,それらが悪くなるということである。ランダムフォレストは,データのランダム選択部分空間で成長する一連の決定木を持つ予測子アンサンブルである。提案した研究作業は,t分布確率近傍埋込み(t-SNE)ベースのアンサンブルモデルを探索することによって,病気の植物に関する分類タスクの性能を向上させることを目指した。感染と健康な植物画像は,それらの対応する画像埋込みを作り出すために深い学習モデルを受けた。次に,数千の特徴を有する高次元データを,最先端のt-SNEアルゴリズムによって,より少数の特徴データセットに縮小した。次に,予測タスクを実行するためのアンサンブルモデルへの入力として,重要な特徴データセットを与えた。Copyright Springer Nature Singapore Pte Ltd. 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  ベクトル ,  簡素化 ,  可視化 ,  共分散 ,  教師つき学習 ,  クラスタ ,  ディシジョンツリー ,  応用プログラム ,  t分布 ,  無作為抽出 ,  *次元縮小
準シソーラス用語： *予測精度 ,  AdaBoost ,  ランダムフォレスト , 【Automatic Indexing@JST】

著者キーワード (4件)： 次元縮小 ,  t-SNE ,  深層学習モデル ,  アンサンブルモデル

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 次元縮小 ,  アンサンブルモデル ,  植物病害 ,  予測精度