PulseAugur
中
实时 06:42:08
English(EN) The impact of feature engineering and an optimisation framework for ocean colour machine learning

新框架优化海洋颜色机器学习的特征工程

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新框架，用于优化海洋颜色分析中使用的机器学习模型的特征工程。该框架包括七个连续的数据转换级别，包括波段选择、缩放和主成分分析。当应用于 Sentinel-3 OLCI 观测以估算叶绿素-a 浓度和塞奇盘深度时，与标准算法相比，优化后的特征显著提高了模型精度，平均绝对误差降低了高达 63%。然而，研究发现没有一个单一的优化特征集可以普遍适用于所有目标变量和机器学习模型，这表明优化是特定于应用的。 AI

影响 通过优化机器学习模型的数据处理，提高水质监测的准确性。

排序理由 该条目是一篇学术论文，详细介绍了海洋学机器学习的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架优化海洋颜色机器学习的特征工程

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Edson Silva, Julien Brajard, Simon Cappe, Lasse H. Pettersson, Fran\c{c}ois Counillon ·

    特征工程和优化框架对海洋颜色机器学习的影响

    arXiv:2608.19899v1 Announce Type: cross Abstract: Machine learning (ML) is widely used for the development of ocean colour algorithms, but most studies focus on model parameter training and hyperparameter tuning. The optimisation of the data that feeds the models - i.e., Feature …

相关实体

相关话题