May, 2020

通过空间 k 折交叉验证估计空间模型的预测性能

PDF
TL;DR本文研究机器学习中的空间自相关问题，提出了基于空间 k 折交叉验证的方法，并通过三个真实开放数据集的实验验证了该方法的有效性和应用性。
machine learningspatial autocorrelationcross validationpredictive modelingdata sampling
发现论文，激发创造
  • K 折交叉验证是否是机器学习最佳模型选择方法？

    机器学习中的 K-fold 交叉验证和神经影像数据集

    Jan, 2024

  • 使用 J-K 折交叉验证在微调 NLP 模型时降低方差

    本研究介绍了一种比 K 折交叉验证更少变异的 J-K 折交叉验证方法，用于评估自然语言处理任务中机器学习模型的性能和参数调整，探讨了如何选择 J 和 K 的问题以及该方法的应用于情感分类、词性标注和文档分类等不同领域的案例表现。

    Jun, 2018

  • 机器学习应用中空间预测变量选择的重要性 —— 从数据再现到空间预测

    本文证明了在生态数据的空间预测中，除了空间验证之外，空间变量选择也必须考虑，以产生可靠的预测结果。使用 “随机森林” 机器学习算法，作者通过两个案例研究了非空间和空间交叉验证策略，并发现高度自相关的预测变量可能导致过拟合，从而产生错误的空间预测模式。

    Aug, 2019

  • 空间环境下预测方法的一致验证

    空间预测是天气预报、空气污染研究等科学探索的关键。确定在统计或物理方法中信任预测的程度对科学结论的可信度至关重要。本文中我们基于现有的共变量转移方法，根据验证数据提出了一个新方法，并在模拟和真实数据上通过经验证明了其优势。

    Feb, 2024

  • 空间机器学习模型诊断：一种不依赖于模型的基于距离的方法

    该研究提出了空间预测误差剖面（SPEPs）和空间变量重要性剖面（SVIPs）作为空间预测模型的新型模型无关的评估和解释工具，以预测距离为重点。这些诊断工具为空间数据科学提供了新的工具，可能会改善机器学习模型的解释、选择和设计。

    Nov, 2021

  • 利用对抗验证量化地理空间机器学习预测的差异性

    通过对地理空间机器学习预测结果和样本数据之间的差异度进行量化，在 0 到 100% 的区间内，基于对抗验证的方法可以准确度量差异度。此方法在合成和真实的数据集上测试，并逐渐增加差异度来研究其效果和普适性。测试结果表明该方法可以成功地量化整个数值范围内的差异度，并揭示出在地理空间机器学习预测中考虑特征空间差异度的重要性，以便选择更适合的交叉验证方法进行预测评估。

    Apr, 2024

  • 在 R 中训练和评估空间预测模型的 CAST 工具包

    环境科学中使用机器学习算法进行空间预测是一项关键任务，在这篇研究中，我们介绍了 CAST 包及其核心功能，展示了如何使用 CAST 来支持更可靠的空间预测，并以植物物种丰富度的案例研究为例，演示了建模工作流程的各个步骤。

    Apr, 2024

  • 预测未知空间？估算空间预测模型的适用面积

    通过提出新的 “不相似指数” 和 “适用范围” 的概念，研究了预测模型的适用性问题，并得出了一种确定模型可靠应用区域的方法。

    May, 2020

  • 增量学习的快速交叉验证

    本文提出了一种通用的基于增量学习算法的交叉验证 (Cross-validation) 的性能估计方法，并通过实验表明其在减少计算负担，以及对数据规模扩展和分布式实现上均具有良好的性能。

    Jun, 2015

  • 临床机器学习中多源交叉验证的实证研究

    在这项研究中，我们对多源数据环境下的标准 K 折交叉验证和留源交叉验证方法进行了系统的实证评估，考虑了基于心电图的心血管疾病分类任务，并将 PhysioNet CinC Challenge 2021 和山东省医院的公开可用数据集进行了整合和协调。我们的结果表明，无论是单一源数据还是多源数据上的 K 折交叉验证都会在目标是推广到新的数据源时系统地高估预测性能。留源交叉验证提供了更可靠的性能估计，具有接近零的偏差但较大的可变性。这种评估凸显了关于在医学数据上获取具有误导性的交叉验证结果的危害，并展示了在拥有多源数据的情况下如何减轻这些问题。

    Mar, 2024