Resumen

Los conjuntos de datos hiperespectrales contienen ruido espectral, cuya presencia afecta negativamente el rendimiento del clasificador para generalizar con precisión. A pesar de que los algoritmos de aprendizaje automático son considerados como clasificadores robustos que generalizan bien bajo condiciones ruidosas desfavorables, el alcance de esto se comprende pobremente. Este estudio tuvo como objetivo evaluar la influencia del ruido espectral simulado (10%, 20% y 30%) en el rendimiento de clasificación de bosques aleatorios (RF) y bosques aleatorios oblicuos (oRF) utilizando dos modelos de división de nodos (regresión de crestas (RR) y máquinas de vectores de soporte (SVM)) para discriminar plantas sanas y con baja infestación de jacintos de agua. Los resultados de este estudio mostraron que RF fue ligeramente influenciado por el ruido simulado con precisión de clasificación disminuyendo para la primera y segunda semana con la adición del 30% de ruido. En comparación con RF, oRF-RR y oRF-SVM arrojaron mayores precisión de prueba (oRF-RR: 5.36%7.15%; oRF-SVM: 3.58%5.36%) y coeficientes kappa de prueba (oRF-RR: 10.72%14.29%; oRF-SVM: 7.15%10.72%). Especialmente, las precisión de prueba y coeficientes kappa de oRF-RR permanecieron consistentes independientemente del nivel de ruido simulado para la primera y segunda semana, mientras se lograron resultados similares para la tercera semana utilizando oRF-SVM. En general, este estudio ha demostrado que oRF-RR puede ser considerado un algoritmo de clasificación robusto que no se ve influenciado por condiciones espectrales ruidosas.

• Materias:Fluorescencia Nanopartículas Espectroscopia infrarroja Fármaco Espectroscopia raman
• Subjects:Fluorescence Nanoparticles Infrared spectroscopy Drug Raman spectroscopy
• Palabras claves:Ruido espectral; Algoritmos de aprendizaje automático; Bosque aleatorio; Bosque aleatorio oblicuo; Rendimiento de la clasificación; Ruido simulado
• Keywords:Spectral noise; Machine learning algorithms; Random forest; Oblique random forest; Classification performance; Simulated noise