使用可解释提升算法建模环境与农业数据
机器学习
2023-05-05 v1 机器学习
应用统计
摘要
我们描述了如何基于岭正则化广义线性模型的可解释提升算法可用于分析高维环境数据。我们通过使用环境、社会、人文与生物物理数据来预测智利与突尼斯农民面对气候灾害的财务脆弱性来说明这一点。我们展示了如何考虑组结构，以及如何使用一种新颖的两步提升方法在高维数据集中发现交互作用。我们展示并讨论了所提方法的优势与效能。结果表明，交互效应的存在仅当纳入两步提升中时才改善预测能力。预测所有类型脆弱性最重要的变量是自然资产。其他重要变量为灌溉类型、经济资产以及邻近农场作物受损情况。
引用
@article{arxiv.2305.02699,
title = {Using interpretable boosting algorithms for modeling environmental and agricultural data},
author = {Fabian Obster and Christian Heumann and Heidi Bohle and Paul Pechan},
journal= {arXiv preprint arXiv:2305.02699},
year = {2023}
}