38、基于机器学习的油棕基腐病分类研究

基于机器学习的油棕基腐病分类研究

1. 不平衡处理方法

在本次研究中，采用了RUS、ROS和SMOTE重采样技术来处理数据不平衡问题，使用开源机器学习应用程序WEKA进行重采样。重采样参数在分类前确定，具体参数如下表所示：
| 不平衡处理方法 | 技术 | 参数 |
| — | — | — |
| 数据采样 | RUS | distributionSpread = 1 |
| | ROS | biasToUniformClass = 1，noReplacement = false |
| | SMOTE | classValue = 0，nearestNeighbors = 5，percentage = 50 |

为了测试，将数据集划分为70%的训练数据和30%的测试数据。非感染和BSR感染树木的数据集预处理技术如下表所示：
| | 训练 | | 测试 | |
| — | — | — | — | — |
| | 非感染（多数类） | BSR感染（少数类） | 非感染（多数类） | BSR感染（少数类） |
| 单一（无数据不平衡处理） | 38 | 25 | 17 | 12 |
| RUS | 25 | 25 | 12 | 12 |
| ROS | 31 | 31 | 14 | 14 |
| SMOTE | 38 | 38 | 17 | 17 |

2. 实验评估

2.1 时间时段选择

使用双向方差分析（ANOVA）评估油棕树的状态（非感染和感染BSR）和时段（上午和下午）对平均温度的主效应及其交互效应。结果表明，状