基于贝叶斯优化机器学习超参数的滑坡易发性评价
地质科技通报(2022)
摘要
利用机器学习模型进行滑坡易发性评价时,不同的超参数设置往往会导致评价结果的不同.采用贝叶斯算法对4种常见机器学习模型(逻辑回归LR、支持向量机SVM、人工神经网络ANN和随机森林RF)的超参数进行了优化,探索了该算法对滑坡易发性机器学习模型的优化效果.以湘中地区4县(安化县、新华县、桃江县和桃源县)滑坡易发性评价为例说明该算法的可行性与适用性.基于滑坡历史编录,确定研究区内1 017个滑坡点,并选定15个滑坡影响因子,以此构建滑坡易发性模型的训练集和测试集.利用贝叶斯优化算法对4种机器学习模型的主要超参数进行了优化,依据优化后的超参数建立了 4种优化模型,并使用AUC值等指标来比较其预测能力.结果表明:经超参数优化后的4种机器学习模型预测性能均有所提高,且基于贝叶斯优化的随机森林模型表现最好.
更多查看译文
关键词
landslide,susceptibility assessment,central hunan,machine learning,hyperparameter optimization,bayesian
AI 理解论文
溯源树
样例
![](https://originalfileserver.aminer.cn/sys/aminer/pubs/mrt_preview.jpeg)
生成溯源树,研究论文发展脉络
Chat Paper
正在生成论文摘要