重采样技术对贝叶斯网络性能的影响,预测藻类活动增加
Maryam Zeinolabedini Rezaabad1, Heather Lacey2, Lucy Marshall3
1Water Research Centre, School of Civil and Environmental Engineering, University of New South Wales, Kensington, New South Wales, Australia; ARC Training Centre Data Analytics for Resources and Environments, School of Life and Environmental Sciences, The University of Sydney, Camperdown, New South Wales, Australia.
Water research
|September 4, 2023
概括
像SMOTE这样的重新采样技术通过平衡不平衡的数据集来改善藻类繁殖预测. 这增强了水生动物健康和人类安全的早期预警系统.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 生态生态学 生态生态学
背景情况:
- 预测藻类繁殖对水生动物和人类健康至关重要.
- 不平衡的数据集与罕见的严重花阻碍了准确的预测模型.
研究的目的:
- 研究重新采样技术,以解决不平衡的数据,以预测藻类活动.
- 确定重新抽样是否可以提高藻类繁殖的预测准确性.
主要方法:
- 在贝叶斯网络 (BN) 模型中应用了Kmeans不足抽样 (US_Kmeans),SMOTE和SCUT.
- 使用BN模型预测澳大利亚伯拉戈朗湖度的叶绿素a (chl-a).
- 使用真正正比率 (TPR) 和曲线下的面积 (AUC) 评估模型性能.
主要成果:
- SMOTE生成了合成数据,从而产生了最佳的BN图形结构.
- 所有重新采样技术都提高了BN检测高藻类活动事件的能力.
- 再抽样增强了藻类活动增加的预测,由更高的chl-a表示.
结论:
- 再抽样技术有效地解决了藻类繁殖预测中的不平衡数据.
- SMOTE显示了提高藻类活动预测模型准确性的前景.
- 结果指导未来的数据收集和水质管理模型开发.
