机器学习中的人类局限：利用土壤微生物组数据预测植物表型
机器学习
2024-02-20 v2 机器学习
应用统计
摘要
由于土壤健康对农业、人类健康和生物多样性具有重大影响，其在21世纪的维护是一项关键挑战。我们首次深入研究了机器学习模型在理解土壤与生物表型之间联系方面的预测潜力。我们研究了一个整合框架，通过随机森林和贝叶斯神经网络两种模型，基于土壤的生物、化学和物理特性对植物表型进行准确的机器学习预测。我们表明，除微生物组信息外，将土壤理化性质和微生物种群密度等环境特征纳入模型可改善预测。探索多种数据预处理策略证实了人类决策对预测性能的显著影响。我们表明，微生物组研究中常用的朴素总和中位数归一化并非最大化预测能力的最优策略。此外，我们发现准确定义的标签比归一化、分类层级或模型特征更为重要。在人类无法准确分类样本的情况下，机器学习模型的性能受到限制。最后，我们通过一个完整的模型选择决策树为领域科学家提供指导，以识别优化模型预测能力的人类选择。我们的工作附有开源可复现脚本（https://github.com/solislemuslab/soil-microbiome-nn），以在微生物组研究界实现最大范围的传播。
引用
@article{arxiv.2306.11157,
title = {Human Limits in Machine Learning: Prediction of Plant Phenotypes Using Soil Microbiome Data},
author = {Rosa Aghdam and Xudong Tang and Shan Shan and Richard Lankau and Claudia Solís-Lemus},
journal= {arXiv preprint arXiv:2306.11157},
year = {2024}
}