Digitalni repozitorij raziskovalnih organizacij Slovenije

Izpis gradiva
A+ | A- | Pomoč | SLO | ENG

Naslov:Uporaba metod strojnega učenja za preučevanje odnosov med značilnostmi branik in okoljem
Avtorji:ID Jevšenak, Jernej (Avtor)
ID Džeroski, Sašo (Avtor)
ID Levanič, Tom (Avtor)
Datoteke:.pdf PDF - Predstavitvena datoteka, prenos (1,18 MB)
MD5: E97089E7EF1BB6098079AF533D74D48C
PID: 20.500.12556/dirros/08b5e5d9-4507-43f2-947e-1d470da2a673
 
URL URL - Izvorni URL, za dostop obiščite https://doi.org/10.20315/ASetL.114.2
 
Jezik:Slovenski jezik
Tipologija:1.01 - Izvirni znanstveni članek
Organizacija:Logo SciVie - Gozdarski inštitut Slovenije
Povzetek:Različne študije so pokazale, da lahko z nelinearnimi metodami bolje opišemo (modeliramo) odnos med branikami in okoljem. V naši študiji smo primerjali (multiplo) linearno regresijo (MLR) in štiri nelinearne metode strojnega učenja: modelna drevesa (MT), ansambel bagging modelnih dreves (BMT), umetne nevronske mreže (ANN) in metodo naključnih gozdov (RF). Za primerjavo teh metod modeliranja smo uporabili štiri množice podatkov. Natančnost naučenih modelov smo ocenili z metodo 10-kratnega prečnega preverjanja (ang. 10-fold cross-validation) na naši množici in preverjanjem na dodatni testni množici. Na vseh množicah smo dobili boljše statistične kazalce za nelinearne metode s področja strojnega učenja, s katerimi lahko pojasnimo večji delež variance oz. dobimo manjšo napako. Nobena metoda se ni pokazala kot najboljša v vseh primerih, zato je smiselno predhodno primerjati več različnih metod in nato uporabiti najprimernejšo, npr. za rekonstrukcijo klime.
Ključne besede:strojno učenje, primerjava metod, dendroklimatologija, umetne nevronske mreže, modelna drevesa, ansambel modelnih dreves, naključni gozdovi, linearna regresija
Status publikacije:Objavljeno
Verzija publikacije:Objavljena publikacija
Leto izida:2017
Št. strani:str. 21-29
Številčenje:Vol. 114
PID:20.500.12556/DiRROS-8175 Novo okno
UDK:630*52:630*11(045)=163.6
ISSN pri članku:2335-3112
DOI:10.20315/ASetL.114.2 Novo okno
COBISS.SI-ID:4998310 Novo okno
Opomba:Besedilo v slov.;
Datum objave v DiRROS:21.02.2018
Število ogledov:5301
Število prenosov:3292
Metapodatki:XML RDF-CHPDL DC-XML DC-RDF
:
Kopiraj citat
  
Objavi na:Bookmark and Share


Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Gradivo je del revije

Naslov:Acta Silvae et Ligni
Založnik:Gozdarski inštitut Slovenije, založba Silva Slovenica, Biotehniška fakulteta, Oddelek za gozdarstvo in obnovljive gozdne vire, Biotehniška fakulteta, Oddelek za lesarstvo
ISSN:2335-3112
COBISS.SI-ID:266761216 Novo okno

Licence

Licenca:CC BY-NC-ND 2.5 SI, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 2.5 Slovenija
Povezava:https://creativecommons.org/licenses/by-nc-nd/2.5/si/deed.sl
Opis:Dovoljuje predelavo del, vsebin, programske opreme, dokumentacije ali podatkov. Primerno morate navesti avtorja, povezavo do licence in označiti spremembe, če so kakšne nastale. To lahko storite na kakršenkoli razumen način, vendar ne na način, ki bi namigoval na to, da dajalec licence podpira vas ali vašo uporabo dela. Te vsebine ne smete uporabiti v komercialne namene. Če vsebino predelate (remixate), uredite ali na njej gradite, spremenjene vsebine ne smete razširjati. Ne smete uporabiti pravnih določil ali tehničnih ukrepov, ki bi pravno omejili ali onemogočilo druge, da bi storili karkoli, kar licenca dovoli.
Začetek licenciranja:21.02.2018

Sekundarni jezik

Jezik:Angleški jezik
Naslov:On the use of machine learning methods to study the relationships between tree-ring characteristics and the environment
Povzetek:Many studies have shown that by using nonlinear methods, the relationship between tree-ring parameters and the environment can be described (modelled) better and in more detail. In our study, (multiple) linear regression (MLR) with four nonlinear machine learning methods are compared: artificial neural networks (ANN), model trees (MT), bagging of model trees (BMT) and random forests of regression trees (RF). To compare the different regression methods, four datasets were used. The performance of the learned models was estimated by using 10-fold cross-validation and an additional hold-out test. For all datasets, better results were obtained by the nonlinear machine learning regression methods, which can explain more variance and yield lower error. However, none of the considered methods outperformed all other methods for all datasets. Therefore, we suggest testing several different methods before selecting the best one, e.g. for climate reconstruction.
Ključne besede:machine learning, method comparison, dendroclimatology, artificial neural networks, model trees, ensembles of model trees, random forest, linear regression


Zbirka

To gradivo je del naslednjih zbirk del:
  1. Acta Silvae et Ligni

Nazaj