Perbandingan Algoritma Adaboost Dan Gradient Boosting Dalam Klasifikasi Kadar Lemak Pada Keju Dengan Penerapan Rekayasa Fitur, Penyeimbangan Data, Seleksi Fitur, Dan Penanganan Data Hilang
Notice bibliographique
Résumé
Cheese is one of the most popular processed dairy products.The fat content in cheese can vary depending on various factors during its manufacturing process.This study aims to classify the fat content of cheese into two categories, lower fat and higher fat, by comparing the performance of two machine learning algorithms: AdaBoost and Gradient Boosting.The dataset used was sourced from the Canadian Cheese Directory.To maximize data quality and model performance, a comprehensive series of data pre-processing stages were implemented.These stages included handling missing values, feature engineering to create new predictive variables, data balancing using the Synthetic Minority Over-sampling Technique (SMOTE), and concluded with feature selection to choose the most relevant attributes.The processed data was then divided into training data and ten test data samples-five from the lower fat category and five from the higher fat category.The test results showed that the Gradient Boosting algorithm achieved a superior accuracy of 93%, outperforming AdaBoost, which obtained an accuracy of 86%.These findings indicate that after undergoing meticulous data preprocessing stages, the Gradient Boosting algorithm demonstrates superior performance in classifying cheese fat content on this 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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,015 | 0,018 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,714 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».