Fiber Quality Prediction Using Nir Spectral Data: Tree-Based Ensemble Learning VS Deep Neural Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The growing applications of near infrared (NIR) spectroscopy in wood quality control and monitoring necessitates focusing on data-driven methods to develop predictive models. Despite the advancements in analyzing NIR spectral data, literature on wood science and engineering has mainly uti- lizedthe classic model development methods, such as principal component analysis (PCA) regression or partial least squares (PLS) regression, with relatively limited studies conducted on evaluating machine learning (ML) models, and specifically, artificial neural networks (ANNs). This couldpotentially limit the performance of predictive models, specifically for some wood properties, such as tracheid width that are both time-consuming tomeasure and challenging to predict using spectral data. This study aims to enhance the prediction accuracy for tracheid width using deep neural networks and tree-based ensemble learning algorithms on a dataset consisting of 2018 samples and 692 features (NIR spectra wavelengths). Accord- ingly, NIR spectra were fed into multilayer perceptron (MLP), 1 dimensional-convolutional neural net- works (1D-CNNs), random forest, TreeNet gradient-boosting, extreme gradient-boosting (XGBoost), and light gradient-boosting machine (LGBM). It was of interest to study the performance of the models with and without applying PCA to assess how effective they would perform when analyzing NIR spectra with- out employing dimensionality reduction on data. It was shown that gradient-boosting machines outper- formed the ANNs regardless of the number of features (data dimension). Allthe models performed better without PCA. It is concluded that tree-based gradient-boosting machines could be effectively used for wood characterization utilizing a medium-sized NIR spectral dataset.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle