相关实验视频
Updated: May 28, 2025
03:45
A Rapid Method to Confine and Safely Handle Bees in the Field
Published on: August 23, 2024
732
数据增强和机器学习算法用于多类不平衡形态测量数据无刺蜂的无刺蜂数据
Daisy Salifu1, Lorna Chepkemoi1, Eric Ali Ibrahim1
1International Centre of Insect Physiology and Ecology (icipe), P.O. Box 30772, Nairobi, Kenya.
Heliyon
|February 11, 2025
概括
这项研究使用了机器学习和数据平衡技术,如SMOTE和ADASYN来分类无刺蜂. 带有SMOTE的支持矢量机在识别蜜蜂物种方面表现出卓越的表现.
科学领域:
- 昆虫学 昆虫学是一门学科.
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 准确识别无刺蜂物种对于生态和农业研究至关重要.
- 在物种分类中处理不平衡的数据集对于机器学习模型来说是一个重大挑战.
- 形态测量数据为自动物种识别提供了一个潜在的途径.
研究的目的:
- 评估数据平衡技术的有效性,合成少数人过量采样技术 (SMOTE) 和自适应合成 (ADASYN),改善无刺蜂的多类不平衡数据分类.
- 为了比较机器学习算法的性能,随机森林 (RF) 和支持矢量机器 (SVM),有和没有这些平衡技术.
- 确定关键的形态变量,以高效和成本效益的无刺蜂识别.
主要方法:
- 应用SMOTE和ADASYN技术与射频和SVM算法结合使用.
- 利用了六类不平衡的无刺蜂形态学数据集.
- 使用诸如多类AUC,F1得分,G-平均值,平衡精度和灵敏度等指标评估模型性能.
- 使用的RF递归特征消除用于变量重要性评估.
主要成果:
- 无论是SMOTE还是ADASYN,都略有提高了射频和SVM分类器的性能.
- 与ADASYN相比,SVM总体上表现优于RF,SVM与SMOTE相结合显示出优异的结果.
- 使用SMOTE的SVM比使用ADASYN (AUC=0.9898,灵敏度=0.956) 的SVM获得了更高的多类AUC (0.9918) 和灵敏度 (0.959).
- 大多数模型正确地分类了六种物种中的四种,表明当类可以分离时,失衡的学习的影响最小.
结论:
- 像SMOTE这样的数据平衡技术在无刺蜂分类中为RF和SVM提供了边际改进.
- 带有SMOTE的SVM是一种非常有效的方法,用于分类无刺蜂形态数据.
- 该研究强调了自动机器学习应用在无刺蜂识别中的潜力,指导未来的研究向关键的形态测量方向发展.
