Soybean Disease Detection with Feature Selection Using Stepwise Regression Algorithm: LVQ vs LVQ2
Notice bibliographique
Résumé
ndonesia's soybean needs increase from year to year. But according to data from the Badan Pusat Statistik (BPS) the amount of national soybean productivity is still low, so the fulfillment of soybean needs is done by importing soybeans from several countries such as China, Ukraine, Canada, Malaysia, and the United States. Low soybean productivity is caused by several factors. One of the causes is disease. This study aims to create a soybean disease detection by applying Learning Vector Quantization 2 (LVQ2) neural network algorithm(ANN) and Stepwise Regression Algorithm attribute selection. The attribute variables used consisted of 35 symptoms of the disease in soybean crop data. The data used in this study is a soybean dataset taken from University of California Irvine Machine Learning Repository as much as 200 data. The distribution of training data and test data is done by the k-fold cross validation method with a value of k = 10. The result of the study shows that the best paramater use in lVQ2. The results showed that the best parameters in LVQ2 is learning rate (α) value of 0.3; epsilon 0.04; and maximum epoch 100. While the best attribute selection uses the parameter p to enter and p to remove of 0.15 which produces 17 selected attributes such as date, plant stand, precipitation, leaves, leaf spot halo, leaf spot margins, leafspot size, leaf mildew, stem canker, stem fungi, external decay, fruit pods, fruit spots, seeds, mold growth, seed discolor, roots. The best results in this study resulted in an accuracy of 90.5%, 9.5% error rate, 90.5% sensitivity, and 98.94% specificity
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».