基于稀疏注意力回归网络的土壤肥力预测（结合Ummaso）
人工智能
2024-09-11 v2 机器学习
摘要
土壤养分数据集不平衡的挑战严重阻碍了土壤肥力的准确预测。为了解决这个问题，本研究提出了一种新方法，结合了均匀流形逼近与投影（UMAP）和最小绝对收缩与选择算子（LASSO）。主要目标是应对数据分布不均匀的影响，提高土壤肥力模型的预测精度。引入的模型使用稀疏注意力回归，有效地从不平衡数据集中整合相关特征。首先利用UMAP降低数据复杂性，揭示隐藏结构和重要模式。随后，应用LASSO来细化特征并增强模型的可解释性。实验结果突出了UMAP和LASSO混合方法的有效性。所提出的模型取得了出色的性能指标，预测准确率达到98%，展示了其在准确预测土壤肥力方面的能力。此外，其精确率为91.25%，表明其准确识别肥沃土壤实例的能力。召回率为90.90%，强调了模型有效捕获真正例的能力。
引用
@article{arxiv.2404.10274,
title = {Sparse Attention Regression Network Based Soil Fertility Prediction With Ummaso},
author = {R V Raghavendra Rao and U Srinivasulu Reddy},
journal= {arXiv preprint arXiv:2404.10274},
year = {2024}
}
备注
There is an error in the result section