用贝叶斯调整的整体堆叠回归和NSGA-II优化PGRs用于试验室中石榴的射击增殖:机器学习模型的比较评估
Saeedeh Zarbakhsh1, Ali Reza Shahsavar2, Mohammad Soltani3
1Department of Horticultural Science, College of Agriculture, Faculty of Agriculture, Shiraz University, Shiraz, Iran.
Plant methods
|June 1, 2024
概括
在实验室中优化石榴 (Punica granatum) 射种的增殖是使用集体堆叠回归 (ESR) 和非主导排序遗传算法-II (NSGA-II) 实现的. 这种计算方法确定了最佳的植物生长调节剂度,以增强繁殖和扩展生存.
科学领域:
- 植物生物技术 植物生物技术
- 计算生物学 计算生物学
- 园艺科学 园艺科学
背景情况:
- 在石榴 (Punica granatum) 中的体外射种增殖是复杂的,受多种因素和基因型的影响.
- 优化这一过程需要了解植物生长调节剂和遗传变异的相互作用.
研究的目的:
- 为了研究酸度和酸度在三种石榴品种的体外芽生殖增殖中的作用.
- 评估五种机器学习 (ML) 算法的效率,用于建模和优化石榴微传播.
- 开发和应用一种新的超参数优化方法 (ATPE) 和一种基因算法 (NSGA-II),用于增强的预测建模.
主要方法:
- 使用了五种ML算法:支持向量回归 (SVR),随机森林 (RF),极端梯度提升 (XGB),集体堆叠回归 (ESR) 和弹性净多变量线性回归 (ENMLR).
- 开发并应用了自动超参数调整的自适应树位估计器 (ATPE).
- 采用非主导排序基因算法-II (NSGA-II) 来优化表现最好的ML模型的预测性能.
主要成果:
- 与其他ML算法相比,集体堆叠回归 (ESR) 显示出更高的预测准确性.
- 优化的ESR-NSGA-II模型确定了特定度的泽和吉布雷利克酸,以最大限度地提高"阿塔巴基"",法罗格"和"希里尼沙哈瓦尔"品种的繁殖率,长度,叶数和扩展存活率.
- "Shirineshahvar"比其他品种表现出较低的发芽繁殖成功.
结论:
- ESR-NSGA-II方法是一种可靠的计算工具,用于建模和优化体外植物繁殖.
- 这项研究提供了通过先进的计算方法优化石榴微传播的宝贵见解.
- 这些发现可以指导植物组织培养和遗传改进计划的未来研究.
