Új AI: pontosabb talajvíz-szennyezés
Egy új gépi tanulási keretrendszer pontosabban előrejelezheti a talajvíz nehézfémszennyezettségét, mint a hagyományos módszerek.
A talajvíz nehézfémszennyezettségének előrejelzését nehezíti a szennyezőanyagok statisztikai komplexitása és térbeli heterogenitása — írja egy friss, előnyomtatott tanulmány az arXiv-en.
A kutatók szerint a Heavy Metal Pollution Index (HPI) modellezése különösen nagy kihívás, mivel az adatok gyakran torzítottak és a szennyezőanyagok korrelálnak egymással. Ez a hagyományos predikciós modellekben torzított eredményekhez vezethet, ha nem alkalmaznak megfelelő transzformációt.
Új megközelítés a pontosságért
A most bemutatott keretrendszer választranszformációkat integrál beágyazott keresztvalidált együttes gépi tanulással. Háromféle transzformációt (nyers, logaritmikus és Gauss-féle kopula) alkalmaztak a HPI-re, és hat különböző tanuló algoritmuson értékelték, köztük a Support Vector Regression (SVM) és az Elastic Net modelleken.
Érdekes módon a nyers skálán futtatott modellek megtévesztően magas illeszkedést mutattak (például az Elastic Net és a stacked ensemble R^2 értéke közel 1.0 volt), ami a kutatók szerint túlzott optimizmusra utal. A logaritmikus transzformáció viszont stabilizálta a varianciát és jelentősen javította a HPI előrejelzési pontosságát a Densu-medencében.