論文の概要: The CAST package for training and assessment of spatial prediction models in R
- arxiv url: http://arxiv.org/abs/2404.06978v1
- Date: Wed, 10 Apr 2024 12:48:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-11 14:31:03.004530
- Title: The CAST package for training and assessment of spatial prediction models in R
- Title（参考訳）: Rにおける空間予測モデルのトレーニングと評価のためのCASTパッケージ
- Authors: Hanna Meyer, Marvin Ludwig, Carles Milà, Jan Linnenbrink, Fabian Schumacher,
- Abstract要約: CASTパッケージとその機能について紹介する。
モデリングワークフローのさまざまなステップを調べて、より信頼性の高い空間予測をサポートするためにCASTをどのように使用できるかを示します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One key task in environmental science is to map environmental variables continuously in space or even in space and time. Machine learning algorithms are frequently used to learn from local field observations to make spatial predictions by estimating the value of the variable of interest in places where it has not been measured. However, the application of machine learning strategies for spatial mapping involves additional challenges compared to "non-spatial" prediction tasks that often originate from spatial autocorrelation and from training data that are not independent and identically distributed. In the past few years, we developed a number of methods to support the application of machine learning for spatial data which involves the development of suitable cross-validation strategies for performance assessment and model selection, spatial feature selection, and methods to assess the area of applicability of the trained models. The intention of the CAST package is to support the application of machine learning strategies for predictive mapping by implementing such methods and making them available for easy integration into modelling workflows. Here we introduce the CAST package and its core functionalities. At the case study of mapping plant species richness, we will go through the different steps of the modelling workflow and show how CAST can be used to support more reliable spatial predictions.
- Abstract（参考訳）: 環境科学における重要な課題の1つは、環境変数を連続的に空間や時間にマッピングすることである。
機械学習アルゴリズムは、現地観測から学習し、測定されていない場所で興味のある変数の値を推定することで空間的予測を行うために頻繁に使用される。
しかし, 空間マッピングへの機械学習戦略の適用は, 空間自己相関や非独立で同一分布のトレーニングデータから生じる「非空間的」予測タスクと比較して, さらなる課題が伴う。
過去数年間、我々は、性能評価とモデル選択に適したクロスバリデーション戦略の開発、空間的特徴選択、トレーニングされたモデルの適用範囲を評価するための方法を含む、空間データに対する機械学習の適用を支援するための多くの方法を開発した。
CASTパッケージの意図は、そのようなメソッドを実装することによって予測マッピングのための機械学習戦略の適用をサポートし、モデリングワークフローへの容易に統合できるようにすることである。
ここでは,CASTパッケージとその機能について紹介する。
植物種の豊かさをマッピングするケーススタディでは、モデリングワークフローの異なるステップを精査し、より信頼性の高い空間予測をサポートするためにCASTをどのように使用できるかを示す。
関連論文リスト
- Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。
私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
論文 参考訳（メタデータ） (2024-07-22T12:32:09Z) - Geo-Adaptive Deep Spatio-Temporal predictive modeling for human mobility [5.864710987890994]
深部GA-vLSは、データが不規則なデータを扱うという課題に直面し、定形かつ規則的なテンソル形状のデータを仮定する。
本稿では,その再帰的メカニズムを維持しつつ,新たなデータ構造に基づくジオアウェアな学習操作を提案する。
論文 参考訳（メタデータ） (2022-11-27T16:51:28Z) - Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。
本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
論文 参考訳（メタデータ） (2022-04-24T15:23:25Z) - Spatial machine-learning model diagnostics: a model-agnostic
distance-based approach [91.62936410696409]
本研究は,空間予測誤差プロファイル (SPEP) と空間変数重要度プロファイル (SVIP) を,新しいモデルに依存しない評価・解釈ツールとして提案する。
統計学的手法、線形モデル、ランダムフォレスト、ハイブリッドアルゴリズムのSPEPとSVIPは、顕著な差異と関連する類似性を示している。
この新しい診断ツールは空間データ科学のツールキットを充実させ、MLモデルの解釈、選択、設計を改善する可能性がある。
論文 参考訳（メタデータ） (2021-11-13T01:50:36Z) - Modeling Massive Spatial Datasets Using a Conjugate Bayesian Linear
Regression Framework [0.0]
階層的モデリングフレームワークに簡単に組み込むことのできる、様々なスケーラブルな空間プロセスモデルが提案されている。
本稿では,空間過程の推論を迅速に行うことができる共役ベイズ線形回帰モデルとして,点参照空間過程モデルをどうキャストするかを論じる。
論文 参考訳（メタデータ） (2021-09-09T17:46:00Z) - A Clustering-aided Ensemble Method for Predicting Ridesourcing Demand in
Chicago [0.0]
本研究では,配車サービスにおけるゾーン間移動需要を予測するためのクラスタリング支援型アンサンブル手法(CEM)を提案する。
シカゴのライドソーシングトリップデータを用いて提案手法の実装と試験を行った。
論文 参考訳（メタデータ） (2021-09-08T04:58:29Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳（メタデータ） (2021-04-11T12:14:04Z) - Unsupervised Domain Adaptation for Spatio-Temporal Action Localization [69.12982544509427]
S時間動作の局所化はコンピュータビジョンにおいて重要な問題である。
本稿では、エンドツーエンドの教師なしドメイン適応アルゴリズムを提案する。
空間的特徴と時間的特徴を別々にあるいは共同的に適応した場合に,顕著な性能向上が達成できることを示す。
論文 参考訳（メタデータ） (2020-10-19T04:25:10Z) - Few-shot Learning for Spatial Regression [31.022722103424684]
空間回帰のための数ショット学習法を提案する。
本モデルは,地域によって異なる属性の空間的データセットを用いて訓練されている。
本研究では,提案手法が既存のメタ学習手法よりも優れた予測性能を実現することを示す。
論文 参考訳（メタデータ） (2020-10-09T04:05:01Z) - Localized active learning of Gaussian process state space models [63.97366815968177]
多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。
本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。
モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
論文 参考訳（メタデータ） (2020-05-04T05:35:02Z)
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。