Predicting artificially drained areas by means of a selective model ensemble

الگوریتم گام به گام سپس مدل ها را از کتابخانه بر اساس پیش بینی های خود در یک مجموعه داده های تیل کلمب، انتخاب می کند. نتایج نشان می دهد که مدل هایی که با استفاده از اجزای اصلی آموزش دیده اند عموما عملکرد بهترتری نسبت به مدل های آموزش دیده با ترکیبات خام دارند. علاوه بر این، بهترین نتایج به دست آمده بود، زمانی که تنها یک کسر تصادفی از مدل ها برای انتخاب در هر مرحله در دسترس بود. کوواریاتهایی که برای پیش بینی مناطق مصنوعی تخلیه شده مهمترین عامل مربوط به خواص خاک و توپوگرافی بودند. به طور کلی، این گروه پیش بینی مناطق مصنوعی تخلیه را با دقت 76.5٪ اعلام کرد. این مطالعه نشان می دهد که یادگیری ماشین به عنوان یک روش دقیق برای نقشه برداری از مناطق مصنوعی تخلیه، که به احتمال زیاد به نفع کشاورزان و تصمیم گیرندگان است.