論文の概要: Crop Yield Prediction Using Regression Models: A Comparative Evaluation of Model Performance
- arxiv url: http://arxiv.org/abs/2610.37022v1
- Date: Tue, 27 Oct 2026 10:58:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.572571
- Title: Crop Yield Prediction Using Regression Models: A Comparative Evaluation of Model Performance
- Title（参考訳）: 回帰モデルを用いた作物収量予測:モデル性能の比較評価
- Abstract要約: 本研究は, 環境, 作物関連, 農業管理変数から収穫量を予測するための5つの回帰モデルを評価する。
検討したモデルは、多重線形回帰(LR)、ランダムフォレスト回帰(RF)、決定木回帰(DT)、リッジ回帰、ラッソ回帰である。
判定係数(R-squared)、平均二乗誤差(MSE)、ルート平均二乗誤差(RMSE)に基づいて,80:20と70:30のトレーニングテストスプリットを用いて評価した。
- 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: Reliable crop-yield prediction can support agricultural planning and resource allocation. This study evaluates five regression models for predicting crop yield from environmental, crop-related, and agricultural management variables. The dataset initially contained 1,000,000 observations and ten variables, with 231 observations having negative target values removed during preprocessing. Categorical variables were represented using one-hot encoding, and Boolean variables were converted into binary values. The models considered were multiple linear regression (LR), random-forest regression (RF), decision-tree regression (DT), ridge regression, and lasso regression. Their performance was evaluated using 80:20 and 70:30 training-testing splits based on the coefficient of determination (R-squared), mean squared error (MSE), and root mean squared error (RMSE). Applying an 80:20 split, LR achieved a test R-squared of approximately 0.9130 and a test RMSE of 0.5008. Applying a 70:30 split, lasso regression yielded the highest test R-squared (approximately 0.9131) and the lowest test RMSE (approximately 0.5008), with performance almost identical to LR and ridge regression. DT also showed improved test performance under the 70:30 split, whereas RF exhibited a substantial gap between training and testing performance. These results indicate that the evaluated linear regression model provides competitive baselines for this dataset. Further experimentation, including validation testing, will help determine the models' performance and predictability.
- Abstract（参考訳）: 信頼性の高い作物収量予測は、農業計画と資源配分を支援することができる。
本研究は, 環境, 作物関連, 農業管理変数から収穫量を予測するための5つの回帰モデルを評価する。
データセットは当初、1000,000の観測結果と10の変数が含まれており、231の観測結果が前処理中に負の目標値を取り除いた。
カテゴリ変数はワンホット符号化で表現され、ブール変数はバイナリ値に変換された。
検討したモデルは、多重線形回帰(LR)、ランダムフォレスト回帰(RF)、決定木回帰(DT)、リッジ回帰、ラッソ回帰である。
判定係数(R-squared)、平均二乗誤差(MSE)、ルート平均二乗誤差(RMSE)に基づいて,80:20と70:30のトレーニングテストスプリットを用いて評価した。
80:20の分割を施したLRは、約0.9130のR-squaredと0.5008のRMSEを達成した。
70:30の分割により、ラッソ回帰は最高試験R-2乗(約0.9131)と最低試験RMSE(約0.5008)を得た。
DTは70:30の分割でテスト性能も改善したが、RFはトレーニングとテスト性能の間に大きなギャップがあった。
これらの結果は、評価された線形回帰モデルが、このデータセットの競合的ベースラインを提供することを示している。
検証テストを含むさらなる実験は、モデルの性能と予測可能性を決定するのに役立つだろう。
関連論文リスト
- Putting HUMANS first: Efficient LAM Evaluation with Human Preference Alignment [53.72927532626824]
わずか50個のサンプル(0.3%のデータ)のサブセットは、完全なベンチマークスコアと0.93以上のピアソン相関を達成可能であることを示す。
選好をより良く予測するために、選択したサブセットの回帰モデルを訓練し、0.98の相関を達成した。
これは回帰モデリングにおいて、よく計算されたサブセットが完全なベンチマークを予測し、量を超える品質を示すことを示している。
論文 参考訳（メタデータ） (2026-04-20T00:57:31Z) - REAL: Regression-Aware Reinforcement Learning for LLM-as-a-Judge [83.2858110368572]
回帰報酬を最適化するための原則的RLフレームワークである textbfREAL (underlineREgression-underlineAware Reinforcement underlineLThought) を提案する。
我々は,REALがレグレッション対応SFTベースラインと標準RL法の両方を一貫して上回ることを示す。
論文 参考訳（メタデータ） (2026-03-17T21:19:08Z) - Impact of Comprehensive Data Preprocessing on Predictive Modelling of COVID-19 Mortality [0.0]
本研究では、新型コロナウイルスの死亡率を予測する10の機械学習モデルに対する、カスタムデータ前処理パイプラインの影響を評価する。
私たちのパイプラインは、標準的な前処理パイプラインと4つの重要なステップで異なります。
論文 参考訳（メタデータ） (2024-08-15T13:23:59Z) - Performance Evaluation of Regression Models in Predicting the Cost of
Medical Insurance [0.0]
機械学習における3つの回帰モデル、すなわち線形回帰、グラディエントブースティング、サポートベクトルマシンが使用された。
性能はRMSE(Root Mean Square)、r2(R Square)、K-Fold Cross-validation(K-Fold Cross-validation)を用いて評価される。
論文 参考訳（メタデータ） (2023-04-25T06:33:49Z) - Are Latent Factor Regression and Sparse Regression Adequate? [0.49416305961918056]
準ガウス雑音と重み付き雑音の存在下でのモデル推定に関する理論的保証を提供する。
本稿ではFacter-Adjusted de-Biased Test (FabTest) と2段階のANOVA型テストを提案する。
数値計算の結果,潜在因子回帰モデルと疎線形回帰モデルに対するモデルの有効性と有効性を示した。
論文 参考訳（メタデータ） (2022-03-02T16:22:23Z) - Bayesian logistic regression for online recalibration and revision of
risk prediction models with performance guarantees [6.709991492637819]
本稿では,予測モデルの継続的再校正と修正の2つの手順を紹介する。
シミュレーションを用いて実証評価を行い, COPDリスクを予測する実世界の研究を行った。
我々は「I型とII型」の遺残境界を導出する。これは、手順が静的モデルに非劣等であり、オラクルのロジスティックリバイザと競合することを保証している。
論文 参考訳（メタデータ） (2021-10-13T17:03:21Z) - Human Pose Regression with Residual Log-likelihood Estimation [48.30425850653223]
本稿では,Residual Log-likelihood Estimation (RLE) を用いた新たな回帰パラダイムを提案する。
RLEは、トレーニングプロセスを容易にするために、未参照の基盤となる分布ではなく、分布の変化を学習する。
従来の回帰パラダイムと比較して、RLEによる回帰はテスト時間オーバーヘッドを伴わずに、MSCOCOに12.4mAPの改善をもたらす。
論文 参考訳（メタデータ） (2021-07-23T15:06:31Z) - Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing
Regressions In NLP Model Updates [68.09049111171862]
この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。
回帰フリーモデル更新を制約付き最適化問題に定式化する。
モデルアンサンブルが回帰を減らす方法を実証的に分析します。
論文 参考訳（メタデータ） (2021-05-07T03:33:00Z) - A Locally Adaptive Interpretable Regression [7.4267694612331905]
線形回帰は最も解釈可能な予測モデルの一つである。
本稿では,局所適応型解釈型回帰(LoAIR)を導入する。
我々のモデルは、他の最先端のベースラインと同等またはより良い予測性能を達成する。
論文 参考訳（メタデータ） (2020-05-07T09:26:14Z) - TACRED Revisited: A Thorough Evaluation of the TACRED Relation
Extraction Task [80.38130122127882]
TACREDはリレーショナル抽出(RE)において最も大きく、最も広く使われているクラウドソースデータセットの1つである
パフォーマンスの天井に到達したのか、改善の余地はあるのか?
ラベルエラーは絶対F1テストエラーの8%を占めており、例の50%以上を可逆化する必要がある。
論文 参考訳（メタデータ） (2020-04-30T15:07:37Z)
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。