Application of supervised feature selection methods to define the most important traits affecting maximum kernel water content in maize
Notice bibliographique
Résumé
This study presents the results of applying supervised feature selection algorithms in the selection of the most important traits contributing to the maximum kernel water content (MKWC) as a major yield component. Data were obtained from a field experiment conducted during 2008 growing season, at the Experimental Farm of the College of Agriculture, Shiraz University, and from the literature. Experiments on the subject of sink/source relationships in maize were collected from twelve fields (as records) of different parts of the world, differing in 23 characteristics (features). The feature selection algorithm demonstrated that 15 features including: planting date (days), countries (Iran, Argentina, India, USA, Canada), hybrid types, Phosphorous fertilizer applied (kg ha-1), final kernel weight (mg), soil type, season duration (days), days to silking, leaf dry weight (g plant-1), mean kernel weight (mg), cob dry weight (g plant-1), kernel number per ear, grain yield (g m-2), nitrogen applied (kg ha-1), and duration of the grain filling period (0C day) were the most effective traits in determining maximum kernel water content. Among the effective traits (features), planting date (days) revealed to be the critical one. Hybrids and countries were the second most important affecting factors on the maize kernel water content. For the first time, our results showed that features classification by supervised feature selection algorithms can provide a comprehensive view on distinguishing the important traits which contribute to maize kernel water content and yield. This study opened a new vista in maize physiology using feature selection and data mining methods and would be beneficial to newcomers of this field
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».