Extra Trees
PulseAugur coverage of Extra Trees — every cluster mentioning Extra Trees across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
机器学习利用卫星数据预测有害藻华
研究人员开发了一个机器学习框架，用于预测葡萄牙海岸由伪菱形藻引起的有害藻华（HABs）。该系统利用卫星衍生的环境和生物数据，实现了中等可预测性。集成树方法，特别是随机森林和极端随机树，表现出最强的性能，在纳入生物变量时，极端随机树的准确率达到 0.77 +/- 0.06。研究强调了季节结构、空间背景和滞后环境条件在预测藻华发生中的重要性，表明该框架对于类似海岸线的预警系统具有实际意义。
-
机器学习模型预测阿尔茨海默病早期阶段
研究人员开发了一种机器学习模型，利用阿尔茨海默病神经影像学计划 (ADNI) 数据集中的临床数据、神经心理学评分和神经影像学测量来预测阿尔茨海默病早期阶段。为解决缺失值和类别不平衡等挑战，该研究采用了迭代插补和 Borderline SVM-SMOTE，然后进行特征选择。训练了一个结合逻辑回归、Extra Trees、Bagging KNN 和 LightGBM 的堆叠集成模型，同时训练了一个人工神经网络，并使用精确率、召回率、F1 …
-
Leap Motion Controller 2 手部地标用于主体识别
研究人员开发了一种基于 Leap Motion Controller 2 手部地标数据识别个体的方法。该研究利用了 ML2HP 数据集，并采用了 Leave-One-Subject-Out 协议来测试系统识别未知身份的能力。在测试的方法中，Extra Trees 算法被证明是最有效的方法，这突显了区分已知和未知主体而非仅仅区分已知个体所面临的挑战。研究结果表明，即使数据有限，简单、可解释的地标描述符也适用于非接触式手部识别和拒绝任务。
-
AI通过SMOTE过采样改进物联网入侵检测
研究人员开发了一种新方法，通过解决数据集中类别不平衡问题来改进物联网网络中的入侵检测。他们应用了合成少数类过采样技术（SMOTE）来平衡数据，实现了1.1的不平衡比。这种方法显著提高了对少数类攻击的检测能力，特别是对组合感染的攻击，这通过宏F1分数和混淆矩阵得以体现。Random Forest模型实现了0.9989的微平均F1分数和0.9794的宏F1分数，优于先前的方法。
-
机器学习通过减少特征来增强智能电网异常检测
研究人员开发了一种机器学习方法来检测智能电网中的网络物理异常，旨在区分物理故障和恶意网络攻击。该方法利用遗传算法进行特征选择，减少了所需的测量数量，同时提高了检测准确性。基于树的集成模型，特别是 Extra Trees，表现出最高的有效性，在特征集大大减少的情况下实现了更高的宏F1分数和ROC-AUC。