REPOZITORIJ > REZULTATI

Povzetek

Predlagana disertacija sodi na področje strojnega učenja, po eni strani, ter na področje
pedologije, po drugi strani. Z vidika strojnega učenja je v disertaciji predstavljena metodologija
za izboljšanje obstoječih algoritmov strojnega učenja za napovedovanje strukturiranih vred-
nosti, oz. za napovedovanje več ciljnih spremenljivk. Z vidika pedologije, disertacija obrav-
nava dve praktični študiji primerov, in sicer uporabo metod strojnega učenja za modeliranje
različnih funkcij tal na osnovi realnih kmetijskih podatkov iz Republike Irske.
Večina pristopov za večciljno napovedovanje ne upošteva neposredno odvisnosti med
ciljnimi spremenljivkami. Za odpravo te pomanjkljivosti disertacija predlaga pristope, ki
najdejo odvisnosti med ciljnimi spremenljivkami in jih nato organizirajo v hierarhično
strukturo. S pomočjo obstoječih metod hierarhično razvrščamo ciljne spremenljivke na
podlagi ocen pomembnosti značilk za napovedovanje vsake posamezne ciljne spremenljivke.
Na ta način transformiramo problem večciljnega napovedovanja v problem hierarhičnega
večciljnega napovedovanja. Nato uporabimo pristope za hierarhično večciljno napove-
dovanje na preoblikovanem problemu in dobimo boljše točnosti napovedi.
Obravnavamo dve nalogi večciljnega napovedovanja, in sicer večciljno klasikacijo in
večciljno regresijo. V obeh primerih uporabljamo ocene pomembnosti značilk dobljene
iz ansamblov dreves za klasikacijo in regresijo. Za strukturiranje prostora ciljnih spre-
menljivk uporabljamo različne pristope razvrščanja, vključno z uravnotežena metoda k-
means, hierarhičnim aglomerativnim razvrščanjem ter drevesi za napovedno razvrščanje,
pri čemer da uravnoteženo metodo k-means najboljše rezultate. Pri hierarhičnih ra-
zličicah problemov napovednega modeliranja uporabljamo ansamble dreves za napovedno
razvrščanje za hierarhično večciljno klasikacijo oz. hierarhično večciljno regresijo.
Prednosti uporabe predlagane metode pokažemo z obsežno eksperimentalno evalvacijo
na različnih naborih podatkov za probleme večciljnega napovedovanja (večciljne klasi-
kacije in regresije). Uporaba ansamblov dreves za hierarhično večciljno klasikacijo in
hierarhično večciljno regresijo na hierarhičnih različicah problemov daje signikantno boljše
rezultate kot uporaba ansamblov dreves za večciljno klasikacijo in večciljno regresijo na
izvirnih problemih. Razlike v uspešnosti so največje pri velikih izhodnih prostorih (z več
kot 100 ciljnimi spremenljivkami).
Obravnavali smo tudi dve študiji primerov uporabe metod strojnega učenja za večciljno
napovedovanje na dveh praktičnih problemih modeliranja različnih funkcij tal na realnih
kmetijskih podatkih. Podatke je zagotovil TEAGASC, Oddelek za okolje in rabo zemljišč
Republike Irske. Strokovnjaki TEAGASC so bili tudi vir domenskega znanja pri inter-
pretaciji dobljenih rezultatov tj. naučenih modelov in njihovih napovedi.
Najprej smo uporabili drevesa za napovedno razvrščanje za večciljno regresijo kot tudi
njihove ansamble (naučene z metodo naključnih gozdov) za nalogo ocenjevanja pridelave
travinje in vnosa hranil. Gre za nalogo modeliranjene funkcije tal, tj. primarne pro-
duktivnosti na irskih mlečnih kmetijah. Nato smo drevesa za napovedno razvrščanje (in
ansamblem teh dreves) uporabili za polnadzorovano večciljno regresijo pri modeliranju
druge funkcije tal, in sicer regulacije in čiščenja vode. Učili smo se modelov za ocenjevanje kemijske kakovosti (izgube dušika in fosforja) in biološke kakovosti voda na irskih kmetijskih zemljiščih. V slednjem primeru smo uporabili nepopolno (delno) označene po-
datke, v katerih so manjkale vrednosti za ciljne spremenljivke. Gre za inovativno uporabo
polnadzorovanih dreves za napovedno razvrščanje za večciljno regresijo, saj so bili doslej
v objavljenih znanstvenih publikacijah uporabljeni popolnoma označeni podatki (z vsemi
ciljnimi vrednostmi) in popolnoma neoznačeni podatki (brez ciljnih vrednosti), ne pa tudi
delno označeni podatki.
V obeh študijah primerov smo se učili modelov v obliki dreves za napovedno razvrščanje
in ansamblov dreves za napovedno razvrščanje. Oba pristopa sta natančna (zlasti ansambli)
in razumljiva (posamezna drevesa za napovedno razvrščanje). Iz podatkov sta odkrila
znanje o preučevanih domenah, ki je v skladu z obstoječim domenskim znanjem ter hkrati
ponuja nove vpoglede, pomembne za praktično uporabo v smislu doseganja boljših funkcij
tal na danih kmetijskih zemljiščih.