แมชชีนเลิร์นนิงที่อธิบายได้สำหรับพยากรณ์ผลผลิตประมงทะเลด้วยตัวแปรสิ่งแวดล้อม

ข้อมูลจากบทคัดย่อ

งานวิจัยเปรียบเทียบอัลกอริทึม 9 แบบในข้อมูลประมงฟิลิปปินส์ 32 ชุดภูมิภาค–ภาคการผลิตช่วงปี 2545–2568 โดยใช้ตัวแปรสมุทรศาสตร์และ SHAP อธิบายผล แบบเคอร์เนลและโครงข่ายประสาทเป็นตัวเลือกดีที่สุด 26 จาก 32 ชุด และได้คะแนนรวมสูงกว่าแบบต้นไม้ 12.7% ความดันย่อย CO₂ เป็นตัวแปรเด่น แต่ตัวแปรและแบบจำลองที่เหมาะต่างกันตามภูมิภาค ค่าคลาดเคลื่อนร้อยละสัมบูรณ์เฉลี่ย 22–25% และความแม่นทิศทาง 0.62–0.66 อาจพอใช้เตือนล่วงหน้า แต่ยังมีความคลาดเคลื่อนมากและ SHAP อธิบายการพยากรณ์ของโมเดล ไม่ได้พิสูจน์ว่า CO₂ เป็นสาเหตุของผลผลิต

เหตุผลที่อยู่ในฐานติดตาม

ระเบียนนี้ได้รับ Impact Signal 72/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย

ประเด็นที่เกี่ยวข้อง: Marine and fisheries research · Marine Bivalve and Aquaculture Studies · Explainable Artificial Intelligence (XAI)