通过混合效应模型与层次聚类学习具有异质农艺数据集的贝叶斯网络
机器学习
2024-05-13 v5 机器学习
应用统计
摘要
玉米作为全球广泛种植的重要作物，尤其在撒哈拉以南非洲、亚洲和拉丁美洲，截至 2021 年占地 1.97 亿公顷。包括混合效应模型、随机系数模型、随机森林和深度学习架构在内的多种统计与机器学习模型已被设计用于预测玉米产量。这些模型考虑了基因型、环境、基因型-环境互作以及田间管理等因素。然而，现有模型往往未能充分利用这些因素间复杂的因果关系网络以及农艺数据固有的层次结构。本研究提出一种创新方法，将随机效应引入贝叶斯网络（BN），利用其通过有向无环图建模因果与概率关系的能力。该方法植根于线性混合效应模型框架并面向层次数据，展示了增强的 BN 学习。应用于真实农艺试验得到了具有更好可解释性的模型，揭示了新的因果关联。值得注意的是，所提方法将玉米产量预测误差率从 28% 显著降至 17%。这些结果支持在构建面向层次农艺数据的实用决策支持工具时优先采用 BN，以促进因果推断。
引用
@article{arxiv.2308.06399,
title = {Learning Bayesian Networks with Heterogeneous Agronomic Data Sets via Mixed-Effect Models and Hierarchical Clustering},
author = {Lorenzo Valleggi and Marco Scutari and Federico Mattia Stefanini},
journal= {arXiv preprint arXiv:2308.06399},
year = {2024}
}
备注
34 pages, 6 figures