Wheat Kernel Classification Using Machine Learning
Notice bibliographique
Résumé
Machine learning is mainly divided into two sections, specifically supervised and unsupervised learning. Supervised learning is additionally divided into two fundamental parts, that is, the regression type and classification type. Unsupervised learning additionally has its types like clustering, association, PCA, and so on. Here, we consider the use case from the supervised machine learning approach. We consider the dataset of the wheat kernel, used to classify 3 types of wheat, specifically Kama, Rosa, and Canadian, consisting of properties of the wheat kernel like area, compactness, perimeter, and so on. So, as this dataset comprises 3 classes or 3 distinct results, it is called multi-class data, which is multiple classes. Various machine learning algorithms can assist us in solving this multi-class classification problem. Some of the algorithms from Bagging [Ensemble Technique] are Random Forest, Boosting [Ensemble Technique] are LightGBM, XGBoost, Gradient Boosting, Support Vector Machine Classifier, Decision Tree Classifier, Logistic Regression, and so on. The above-mentioned algorithms work in different ways to find the solution to multi-class classification problems. In a large number of problems, we use an SVM classifier to solve the wheat kernel identifier use case. The SVM classifier is essential in solving binary classification problems. Nonetheless, here, in the wheat kernel identification case, multiple classes are three types of classes of items in the original dataset. This work focuses on learning the approaches for improving the results by using the support vector classifier and applying legitimate hyper-parameter tuning to get generalized output.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».