هیدروفیزیک

هیدروفیزیک

تحلیل وابستگی عملکرد مدل‌های یادگیری ماشین به انتخاب ویژگی مبتنی بر دسترس‌پذیری داده در طبقه‌بندی کیفیت آب

نوع مقاله : مقاله پژوهشی

نویسندگان
1 محقق بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات کشاورزی و منابع طبیعی استان کرمان، سازمان تحقیقات آموزش و ترویج کشاورزی، کرمان، ایران،
2 استادیار، گروه مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران
چکیده
پایش کیفیت آب با چالش‌هایی مانند تعدد پارامترها، تفاوت در دسترس‌پذیری داده‌ها و وجود داده‌های مفقود مواجه است. در این پژوهش، روش انتخاب ویژگی آگاه از دسترس‌پذیری (AAFS) برای طبقه‌بندی شاخص کیفیت آب (WQI) ارائه شده است. این روش با ترکیب اهمیت پیش‌بینی‌کنندگی ویژگی‌ها و نرخ داده‌های مفقود، ویژگی‌ها را رتبه‌بندی کرده و تعداد ویژگی‌های منتخب را به‌صورت خودکار تعیین می‌کند. روش پیشنهادی بر روی ۱٬۹۹۱ رکورد از مجموعه‌داده Water Quality Data شامل هشت پارامتر ارزیابی و با مجموعه کامل ویژگی‌ها، بر روی هشت الگوریتم طبقه‌بندی و طی ۲۰ تقسیم‌بندی مستقل مقایسه شد. نتایج نشان داد که AAFS در تنظیمات پیش‌فرض، BOD را مهم‌ترین ویژگی شناسایی می‌کند و اثر انتخاب ویژگی به نوع الگوریتم وابسته است. ویژگی‌های منتخب AAFS دقت SVM، KNN و بیز ساده را به ترتیب ۱۳، ۲۲ و ۲۰ واحد درصد افزایش داد، درحالی‌که در جنگل تصادفی، تقویت گرادیانی و درخت تصمیم، مجموعه کامل ویژگی‌ها عملکرد بهتری داشت و AdaBoost در هر دو پیکربندی عملکرد یکسانی نشان داد. تفاوت عملکرد در هفت مورد از هشت الگوریتم از نظر آماری معنادار بود. این الگو را می‌توان با تمرکز بخش عمده اطلاعات پیش‌بینی‌کننده در BOD توضیح داد؛ بنابراین انتخاب ویژگی همواره سودمند نیست و باید متناسب با نوع الگوریتم و هدف کاربرد انجام شود. AAFS می‌تواند برای سامانه‌های پایش سبک و کم‌هزینه مفید باشد، اما برای مدل‌های درختی و تجمیعی، حفظ مجموعه کامل ویژگی‌ها مناسب‌تر است. از آنجا که برچسب WQI از پارامترهای ورودی محاسبه شده است، تعمیم نتایج نیازمند ارزیابی روی داده‌هایی با برچسب مستقل است.
کلیدواژه‌ها
موضوعات

عنوان مقاله English

Analyzing the Dependence of Machine Learning Model Performance on Data-Availability-Based Feature Selection in Water Quality Classification

نویسندگان English

Maryam Rezaei 1
Masoume Rezaee 2
1 Researcher, Department of Soil and Water Conservation and Watershed Management, Agricultural Research and Natural Resources Center, Kerman Province, Agricultural Research, Education and Development Organization, Kerman, Iran.
2 Assistant Professor, Department of Computer Engineering, University of Sistan and Baluchestan, Zahedan, Iran.
چکیده English

Water quality monitoring faces challenges such as the large number of measured parameters, differences in data availability, and missing data. This study proposes an Availability-Aware Feature Selection (AAFS) method for classifying the Water Quality Index (WQI). The method ranks features by combining their predictive importance with their missing-data rate, and determines the number of selected features automatically. It was evaluated on 1,991 records from the public Water Quality Data dataset containing eight water quality parameters, and compared with using the full feature set across eight classification algorithms and 20 independent data splits. Results showed that, under default settings, AAFS identifies BOD as the most important feature, and that the effect of feature selection depends on the classification algorithm. AAFS-selected features increased the accuracy of SVM, KNN, and Naive Bayes by 13, 22, and 20 percentage points, respectively, whereas the full feature set performed better for random forest, gradient boosting, and decision tree, and AdaBoost performed identically in both configurations. Performance differences were statistically significant for seven of the eight algorithms. This pattern can be explained by the concentration of most predictive information in BOD; therefore, feature selection is not always beneficial and should be matched to the algorithm and the intended application. AAFS can be useful for lightweight, low-cost monitoring systems, but for tree-based and ensemble models, retaining the full feature set is preferable. Because the WQI label is computed from the input parameters themselves, generalizing these findings requires evaluation on datasets with independent labels.

کلیدواژه‌ها English

Paired Statistical Test
Model-Dependent Effect
Feature Selection
Low-Cost Monitoring
Missing Data
Water Quality Index
Machine Learning

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از 23 آبان 1405

  • تاریخ دریافت 28 مرداد 1405
  • تاریخ بازنگری 09 مهر 1405
  • تاریخ پذیرش 12 آبان 1405