論文の概要: Integration of Explainable Artificial Intelligence to Identify
Significant Landslide Causal Factors for Extreme Gradient Boosting based
Landslide Susceptibility Mapping with Improved Feature Selection
- arxiv url: http://arxiv.org/abs/2201.03225v1
- Date: Mon, 10 Jan 2022 09:17:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-11 20:39:20.987980
- Title: Integration of Explainable Artificial Intelligence to Identify
Significant Landslide Causal Factors for Extreme Gradient Boosting based
Landslide Susceptibility Mapping with Improved Feature Selection
- Title（参考訳）: 説明可能な人工知能の統合による地すべり要因の同定と特徴選択の改善による地すべり感受性マッピング
- Authors: Muhammad Sakib Khan Inan and Istiakur Rahman
- Abstract要約: 地すべりは、人為的な温暖化の時代において、人命と財産に対する脅威として定期的に発生してきた。
地すべりの感受性予測には,XgBoost,LR,KNN,SVM,Adaboostといった最先端の機械学習アルゴリズムを用いた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Landslides have been a regular occurrence and an alarming threat to human
life and property in the era of anthropogenic global warming. An early
prediction of landslide susceptibility using a data-driven approach is a demand
of time. In this study, we explored the eloquent features that best describe
landslide susceptibility with state-of-the-art machine learning methods. In our
study, we employed state-of-the-art machine learning algorithms including
XgBoost, LR, KNN, SVM, Adaboost for landslide susceptibility prediction. To
find the best hyperparameters of each individual classifier for optimized
performance, we have incorporated the Grid Search method, with 10 Fold
Cross-Validation. In this context, the optimized version of XgBoost
outperformed all other classifiers with a Cross-validation Weighted F1 score of
94.62%. Followed by this empirical evidence, we explored the XgBoost classifier
by incorporating TreeSHAP and identified eloquent features such as SLOPE,
ELEVATION, TWI that complement the performance of the XGBoost classifier mostly
and features such as LANDUSE, NDVI, SPI which has less effect on models
performance. According to the TreeSHAP explanation of features, we selected the
9 most significant landslide causal factors out of 15. Evidently, an optimized
version of XgBoost along with feature reduction by 40%, has outperformed all
other classifiers in terms of popular evaluation metrics with a
Cross-Validation Weighted F1 score of 95.01% on the training and AUC score of
97%.
- Abstract（参考訳）: 地すべりは、人為的な温暖化の時代において、人命と財産に対する脅威として定期的に発生してきた。
データ駆動型アプローチによる地すべり感受性の早期予測は時間の要求である。
本研究では,地すべりの感受性を最先端の機械学習手法で記述した雄弁な特徴について検討した。
本研究では,地すべり感受性予測にXgBoost,LR,KNN,SVM,Adaboostといった最先端の機械学習アルゴリズムを用いた。
最適化性能のための各分類器の最適なハイパーパラメータを見つけるために,10 Fold Cross-Validation を用いたグリッドサーチ手法を採用した。
この文脈で、最適化されたXgBoostは、クロスバリデーション重み付きF1スコア94.62%の他の分類器よりも優れていた。
この経験的証拠に追従して、TreeSHAPを組み込んでXgBoost分類器を探索し、XGBoost分類器の性能を補完するSLOPE、ELEVATION、TWI、モデル性能にあまり影響しないLANDUSE、NDVI、SPIなどの特徴を同定した。
特徴のtreeshapによる説明では, 地すべりの原因要因として, 15項目中9項目を選定した。
明らかに、XgBoostの最適化版と機能低下の40%は、Cross-Validation Weighted F1スコアが95.01%、AUCスコアが97%という一般的な評価基準で、他の分類器よりも優れている。
関連論文リスト
- Improved Adaboost Algorithm for Web Advertisement Click Prediction Based on Long Short-Term Memory Networks [2.7959678888027906]
本稿では,Long Short-Term Memory Networks (LSTM) に基づくAdaboostアルゴリズムの改良について検討する。
いくつかの一般的な機械学習アルゴリズムと比較することにより、広告クリック予測における新しいモデルの利点を分析する。
提案手法は,ユーザの広告クリック予測において92%の精度で良好に動作することを示す。
論文 参考訳（メタデータ） (2024-08-08T03:27:02Z) - Zero-Inflated Tweedie Boosted Trees with CatBoost for Insurance Loss Analytics [0.8287206589886881]
我々はTweedie回帰モデルを変更し、様々なタイプの保険の集合的請求をモデル化する際の限界に対処する。
我々の推奨するアプローチは、0-claimプロセスの洗練されたモデリングとブースティング手法の統合である。
モデル化の結果,モデルの性能が著しく向上し,より正確な予測を行う可能性が示された。
論文 参考訳（メタデータ） (2024-06-23T20:03:55Z) - Predictive Analytics of Varieties of Potatoes [2.336821989135698]
本研究では, 育種試験におけるサツマイモクローンの選択プロセスの向上を目的とした, 機械学習アルゴリズムの適用について検討する。
本研究は, 高収率, 耐病性, 耐気候性ポテト品種を効率的に同定することの課題に対処する。
論文 参考訳（メタデータ） (2024-04-04T00:49:05Z) - SMaRt: Improving GANs with Score Matching Regularity [94.81046452865583]
生成的敵ネットワーク(GAN)は通常、基礎となる多様体が複雑である非常に多様なデータから学ぶのに苦労する。
スコアマッチングは、生成したデータポイントを実データ多様体へ持続的にプッシュする能力のおかげで、この問題に対する有望な解決策であることを示す。
スコアマッチング規則性(SMaRt)を用いたGANの最適化を提案する。
論文 参考訳（メタデータ） (2023-11-30T03:05:14Z) - Robust Learning with Progressive Data Expansion Against Spurious
Correlation [65.83104529677234]
本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。
分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。
本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-06-08T05:44:06Z) - Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。
本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-06T14:49:59Z) - An efficient hybrid classification approach for COVID-19 based on Harris
Hawks Optimization and Salp Swarm Optimization [0.0]
本研究では、Covid-19分類のためのHarris Hawks Optimization Algorithm(HHO)とSalp Swarm Optimization(SSA)のハイブリッドバイナリバージョンを提案する。
提案アルゴリズム(HHOSSA)は,SVMで96%の精度,2つの分類器で98%,98%の精度を達成した。
論文 参考訳（メタデータ） (2022-12-25T19:52:18Z) - FOSTER: Feature Boosting and Compression for Class-Incremental Learning [52.603520403933985]
ディープニューラルネットワークは、新しいカテゴリーを学ぶ際に破滅的な忘れ方に悩まされる。
本稿では,新たなカテゴリを適応的に学習するためのモデルとして,新しい2段階学習パラダイムFOSTERを提案する。
論文 参考訳（メタデータ） (2022-04-10T11:38:33Z) - MIO : Mutual Information Optimization using Self-Supervised Binary
Contrastive Learning [19.5917119072985]
対が正かどうかを予測するために、比較学習を二項分類問題にモデル化する。
提案手法は,STL-10,CIFAR-10,CIFAR-100などのベンチマークデータセットにおいて,最先端のアルゴリズムよりも優れている。
論文 参考訳（メタデータ） (2021-11-24T17:51:29Z) - No Fear of Heterogeneity: Classifier Calibration for Federated Learning
with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。
このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。
実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文 参考訳（メタデータ） (2021-06-09T12:02:29Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳（メタデータ） (2021-03-22T20:36:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。