在基于加速度计的动物行为分类中验证监督机器学习模型的实用指南
Oakleigh Wilson1, David Schoeman1, Andrew Bradley1
1University of the Sunshine Coast, Sippy Downs, Queensland, Australia.
The Journal of animal ecology
|May 19, 2025
概括
大多数使用机器学习来分析加速仪数据的动物行为研究缺乏适当的验证,风险模型过拟合. 这项研究提供了可靠验证的指导方针,以确保生态机器学习的可靠结果.
科学领域:
- 生态生态学 生态生态学
- 机器学习 机器学习
- 动物行为 动物行为
背景情况:
- 监督机器学习 (ML) 越来越多地用于从加速度计数据中对动物行为进行分类.
- 缺乏标准化的协议和验证标准阻碍了ML在生态学中的可靠应用.
- 过度装配,模型记住训练数据而不是概括,是一个重大挑战.
研究的目的:
- 审查基于加速度计的动物行为研究中的验证实践.
- 为了确定模型验证不足的流行情况.
- 建议准则,用于在生物测试中进行可靠的验证和超拟合检测.
主要方法:
- 对119项使用监督ML进行动物行为分类的研究进行了系统审查.
- 分析在审查文献中使用的验证技术.
- 超的理论概述及其在动物加速度计中的检测.
主要成果:
- 79%的审查研究 (94篇论文) 显示模型验证不足.
- 由于没有独立的测试组,结果的解释性和概括性受到限制.
- 在现场可能会发生广泛的过.
结论:
- 标准化验证协议对于动物行为分析中可靠的ML至关重要.
- 实施严格的验证技术对于防止和检测过度装配至关重要.
- 提供了指导方针,以提高基于ML的生态研究的质量和可重复性.
