一个强大的高斯过程范式用于环境科学中小数据集的预测建模:巴拉斯特花的案例研究

科学领域:

• 环境科学 环境科学
• 机器学习 机器学习
• 数据科学数据科学数据科学

背景情况:

• 环境流程优化面临来自复杂交互和有限数据的挑战,导致过度装配的机器学习 (ML) 模型.
• 传统的ML模型经常在环境研究中常见的小,异构的实验数据集上进行概括.

研究的目的:

• 开发一个强大的机器学习框架,高斯过程贝叶斯调整 (GP-BT),用于优化环境过程.
• 通过使用小而复杂的环境数据集来提高ML模型的概括性和现实世界的性能.

主要方法:

• 开发了GP-BT,一个高斯过程贝叶斯调整框架,通过最小化交叉验证损失来优化内核选择和超参数.
• 在三个环境数据集上对传统算法 (随机森林,XGBoost,CatBoost) 和标准高斯过程模型进行GP-BT评估.
• 通过52个实验室实验验证了GP-BT,并使用SHapley添加式扩展 (SHAP) 分析了模型的解释性.

主要成果:

• 与传统的ML算法和标准高斯过程模型相比,GP-BT表现出优越的稳定性和通用性.
• 该框架在实验室实验中在未见条件下实现了较低的预测误差.
• GP-BT确定了合并下水道溢流处理的最佳条件,达到98%的清除效率,明显优于过度装配的随机森林模型 (89%).

结论:

• GP-BT提供了一个可靠的框架,可以从昂贵的小规模环境实验数据中提取见解.
• 该方法的保守学习策略对于使用稀疏,杂数据的强大性能至关重要.
• GP-BT加速了环境技术中隐藏的性能潜力的发现,由开源软件包和网络平台支持.