Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightSınıflandırma sonuçlarının elde edilmesinde k-katlamalı (k=5) çapraz doğrulama tekniği kullanılmıştır.
📌 3 Maddede Bu Makale
Özet
Son yıllarda, makine öğrenmesi ve veri bilimi alanındaki araştırmacılar özgün ve de özellikle topluluk öğrenmesi alanında yeni algoritmalar geliştirmeye başlamışlardır. Bu yeni nesil topluluk öğrenme algoritmalarından olan aşırı gradyan artırma (XGBoost) ve hafif gradyan artırma makineleri (LightGBM) yöntemleri, mevcut ve aynı zamanda sık kullanılan makine öğrenme algoritmalarına kıyasla daha yüksek performans gösterdiklerinden dolayı veri bilimindeki araştırmacıların ilgisini çekmiştir. Ancak uzaktan algılama görüntülerinin sınıflandırılması amacıyla henüz yeterli düzeyde test edilmemiştir. Bu çalışma kapsamında, XGBoost ve LightGBM algoritmalarının çok zamanlı polarimetrik sentetik açıklıklı radar (PolSAR) görüntüleri kullanılarak tarımsal ürünlerin sınıflandırılmasındaki performansları, hem işlem hızı hem de elde edilen sınıflandırma doğrulukları açısından karşılaştırılmıştır. Çalışma kapsamında, tam polarimetrik RADARSAT-2 uydu görüntülerine ait doğrusal geri saçılım değerleri kullanılmıştır. Tarımsal ürünlerin zamana bağlı dinamik olarak değişen yapılarından dolayı çalışmamızda çok zamanlı bir veri seti kullanılmıştır. Deneysel sonuçlarımız, LightGBM yönteminin hem işlem hızı hem de sınıflandırma performansı açısından XGBoost yöntemine göre daha üstün olduğunu göstermiştir, bu iki yöntem için elde edilen doğruluklar sırası ile 0.860 ve 0.845’dir. Sınıflandırma sonuçlarının elde edilmesinde k-katlamalı (k=5) çapraz doğrulama tekniği kullanılmıştır.
Abstract
In recent years, machine learning and data science communities have started to develop novel algorithms, especially in the area of ensemble learning. The new generation ensemble learning algorithms such as extreme gradient boosting (XGBoost) and light gradient boosting machines (LightGBM) have gained great attention in data science because of their greater performance compared to the state-of-art machine learning algorithms. However, they have not yet been fully tested for the classification of remotely-sensed images. This paper compares the performance of the XGBoost and LightGBM in terms of classification accuracy and computation time for crop classification using multi-temporal polarimetric SAR (PolSAR) data. The linear backscatter of full-polarimetric RADARSAT-2 were used as the polarimetric feature in this research. A multi-temporal dataset was used in our study because of the time-dynamic structure of crops. Our experimental results demonstrate that LightGBM yielded greater performance compared to XGBoost in terms of classification accuracy (0.860 vs 0.845) and computation cost. K-fold (k=5) cross validation was used to assess the classification results.