点击蓝色字免费订阅,每天收到这样的好资讯
本文提出了一种结合DM和ML方法的分析表型数据统计框架,植物表型资讯介绍如下:
统计数据挖掘(DM)和机器学习(ML)是分析复杂数据集极具潜力的工具。近几十年来,在农业发展的精确性方面,植物表型研究是实现地方作物高产表型的关键。因此,需要综合或新的分析方法处理这些表型数据。本文提出了一种结合DM和ML方法的分析表型数据统计框架。
基于植物表型图像的性状(特征)选择框架
根据计算时间表现等级特征的百分比数量
研究人员分析了几个模拟和真实的植物表型数据集,采用最常用的监督ML方法:线性判别分析(LDA)、随机森林(RF)、线性支持向量机(SVM-l)和径向基(SVM-r)核对植物状态进行分类/预测,验证了该方法的有效性。综上所述,该方法可以消除表型数据分析的复杂性,减少ML算法的计算时间,并提高预测准确性。
基于胁迫特征数据集秩特征的ML方法分类精度比较
基于等级特征的恢复期数据集机器学习方法分类准确性的比较
来源:
Rahaman M, Ahsan A and Chen M. Data-mining Techniques for Image-based Plant Phenotypic Traits Identifcation and Classifcation. Scientific Reports | (2019) 9:19526 | https://doi.org/10.1038/s41598-019-55609-6.
扩展阅读:
植物表型资讯两周年目录汇总
植物表型资讯2019年1-12月目录汇总