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, no se comprende bien la magnitud de esto. Este estudio tuvo como objetivo evaluar la influencia del ruido espectral simulado (10%, 20% y 30%) en el rendimiento de clasificación de random forest (RF) y random forest oblicuo (oRF) utilizando dos modelos de división de nodos (regresión de crestas (RR) y máquinas de vectores de soporte (SVM)) para discriminar entre plantas de jacinto de agua sanas y ligeramente infestadas. Los resultados de este estudio mostraron que RF fue ligeramente influenciado por el ruido simulado, con las precisiones de clasificación disminuyendo para la semana uno y semana dos con la adición del 30% de ruido. En comparación con RF, oRF-

• 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