Predicting the rates of cross-pollination between GM and non-GM crops using RBFNN with SVM and bootstrap approach
Notice bibliographique
Résumé
Recently, genetically modified (GM) technology has been successfully used to reduce the cost and to enhance the profit in agriculture. Although GM technology brings many benefits for non-food crops, people still misgive the effects of GM products for the health and the environment. Furthermore, GM crops might affect food (non-GM) crops in the open environment. Hence, how to find strategies for the coexistence of GM and non-GM crops are become a popular issue. One of the strategies is to determine a befitting distance between GM and non-GM crops to reduce the cross-pollination occurred by predicting the rate of cross-pollination. Owing to most of the existing methods for predicting the cross-pollination rates of non-GM crops are only based on the distance between GM and non-GM crops. To counter this problem, we propose a hybrid method, which is composed of radial basis function neural network (RBFNN), support vector machine (SVM) and bootstrap, to apply in this issue. The proposed method includes three specificities. (a) The proposed method reduces the effect of imbalance class problem. (b) The proposed method uses more variables, which are effect the cross-pollination rates, for prediction to enhance the prediction accuracy. (c) The proposed method searches relevant samples to reduce execution time and enhance the prediction accuracy. The results show the performance of our method is better than the existing methods in terms of the root mean square error (RMSE) in prediction and the correlation coefficient between the actual and the predicted cross-pollination rates.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».