생산단계 수산물의 안정성을 확보하기 위해서는 수산물 생산해역을 관리하고 생산단계에서 수산물 안전성을 확보할 수 있는 기술의 개발과 제도 및 방안이 필요하다. 본 논문에서는 지난 10년간 수산물 생산해역에서 관측한 분변성 대장균의 자료와 해양환경 인자를 분석하여 기계학습(Machine Learning)을 통해 분변성 대장균의 발생을 예측하기 위한 연구를 실시하였다. 분변성 대장균의 검출과 불검출을 예측하기 위해서 통계학습인 로지스틱 회귀(Logistic Regression) 분석과 기계학습(...
생산단계 수산물의 안정성을 확보하기 위해서는 수산물 생산해역을 관리하고 생산단계에서 수산물 안전성을 확보할 수 있는 기술의 개발과 제도 및 방안이 필요하다. 본 논문에서는 지난 10년간 수산물 생산해역에서 관측한 분변성 대장균의 자료와 해양환경 인자를 분석하여 기계학습(Machine Learning)을 통해 분변성 대장균의 발생을 예측하기 위한 연구를 실시하였다. 분변성 대장균의 검출과 불검출을 예측하기 위해서 통계학습인 로지스틱 회귀(Logistic Regression) 분석과 기계학습(Supervised Learning) 알고리즘인 나이브 베이즈(Naive Bayes), 의사결정나무(Decision Tree), 서포트 벡터 머신(Support Vector Machine)을 이용하였다. 설명변수는 즉시 측정이 가능한 수온, 염분, pH, 강수량, 자외선 지수를 채택하였고, 반응변수는 범주형 변수인 분변성 대장균의 검출 여부로 결정하였다. 분류모델의 성능을 평가하고 실제로 적용했을 때의 성능을 검토하기 위하여 k-fold 교차검증을 통해 미래 성능을 추정하였다. 그 결과, 4가지 지도학습 알고리즘 중 분변성 대장균의 예측에는 나이브-베이즈 알고리즘이나 결정나무 알고리즘이 가장 유용할 것으로 판단되었다. 한편, 미래 성능 추정까지 완료한 분류 모델이 다른 특성을 가진 해역에서도 좋은 성능을 보이는지 실제로 적용하고 검증하기 위하여, 원산도와 천수만 해역에서 관측된 분변성 대장균 데이터에 모델을 적용하였다. 그 결과, 분류모델은 분변성 대장균의 검출 여부를 약 80% 내외의 정확도로 잘 예측하였고, 가장 좋은 성능을 보인 기계학습 알고리즘은 나이브-베이즈 알고리즘인 것으로 확인되었다.
생산단계 수산물의 안정성을 확보하기 위해서는 수산물 생산해역을 관리하고 생산단계에서 수산물 안전성을 확보할 수 있는 기술의 개발과 제도 및 방안이 필요하다. 본 논문에서는 지난 10년간 수산물 생산해역에서 관측한 분변성 대장균의 자료와 해양환경 인자를 분석하여 기계학습(Machine Learning)을 통해 분변성 대장균의 발생을 예측하기 위한 연구를 실시하였다. 분변성 대장균의 검출과 불검출을 예측하기 위해서 통계학습인 로지스틱 회귀(Logistic Regression) 분석과 기계학습(Supervised Learning) 알고리즘인 나이브 베이즈(Naive Bayes), 의사결정나무(Decision Tree), 서포트 벡터 머신(Support Vector Machine)을 이용하였다. 설명변수는 즉시 측정이 가능한 수온, 염분, pH, 강수량, 자외선 지수를 채택하였고, 반응변수는 범주형 변수인 분변성 대장균의 검출 여부로 결정하였다. 분류모델의 성능을 평가하고 실제로 적용했을 때의 성능을 검토하기 위하여 k-fold 교차검증을 통해 미래 성능을 추정하였다. 그 결과, 4가지 지도학습 알고리즘 중 분변성 대장균의 예측에는 나이브-베이즈 알고리즘이나 결정나무 알고리즘이 가장 유용할 것으로 판단되었다. 한편, 미래 성능 추정까지 완료한 분류 모델이 다른 특성을 가진 해역에서도 좋은 성능을 보이는지 실제로 적용하고 검증하기 위하여, 원산도와 천수만 해역에서 관측된 분변성 대장균 데이터에 모델을 적용하였다. 그 결과, 분류모델은 분변성 대장균의 검출 여부를 약 80% 내외의 정확도로 잘 예측하였고, 가장 좋은 성능을 보인 기계학습 알고리즘은 나이브-베이즈 알고리즘인 것으로 확인되었다.
It has always been essential in “Production Stage” to demand for appropriate technique development, institution, and measurement, in order to procure the marine stability, which is taken care in the area of the seas of marine products. In this study, mainly suggests the study of the prediction ...
It has always been essential in “Production Stage” to demand for appropriate technique development, institution, and measurement, in order to procure the marine stability, which is taken care in the area of the seas of marine products. In this study, mainly suggests the study of the prediction from occurrence of Fecal coliform, through Machine Learning, that analyzed and observed Fecal coliform over last 10 years. There has been uses of Naïve Bayes algorithm, decision tree, Support Vector Machine, Supervised Learning, and finally Logistic Regression which is a statistical learning to predict both detection and non-detection of Fecal coliform. Explanatory variable uses water, salt, pH, rainfall, UV index, which all are measured directly, and responding variables are chosen as whether to be detected of Fecal coliform, as categorical variables. It is to assess the stratification model functions though, to inspect main performance when actually applied. Plus, to crosscheck k-fold value, the future performance has as well been assumed. As following results, it has been judged that, four different kinds of learning algorithm which lead to prediction of Fecal coliform, show Naïve Bayes, or decision tree algorithm. Meanwhile, in order to check the performances of stratification model completed just after future performance estimation, it was needed to try out experimental test in other regions. To do, Fecal coliform data observed from Wonsan Island and Chunsu-bay area is applied to the model. As a result, stratification model showed about 80% accuracy on its prediction data, and it has been identified Naïve Bayes algorithm, as machine learning with the best performance.
It has always been essential in “Production Stage” to demand for appropriate technique development, institution, and measurement, in order to procure the marine stability, which is taken care in the area of the seas of marine products. In this study, mainly suggests the study of the prediction from occurrence of Fecal coliform, through Machine Learning, that analyzed and observed Fecal coliform over last 10 years. There has been uses of Naïve Bayes algorithm, decision tree, Support Vector Machine, Supervised Learning, and finally Logistic Regression which is a statistical learning to predict both detection and non-detection of Fecal coliform. Explanatory variable uses water, salt, pH, rainfall, UV index, which all are measured directly, and responding variables are chosen as whether to be detected of Fecal coliform, as categorical variables. It is to assess the stratification model functions though, to inspect main performance when actually applied. Plus, to crosscheck k-fold value, the future performance has as well been assumed. As following results, it has been judged that, four different kinds of learning algorithm which lead to prediction of Fecal coliform, show Naïve Bayes, or decision tree algorithm. Meanwhile, in order to check the performances of stratification model completed just after future performance estimation, it was needed to try out experimental test in other regions. To do, Fecal coliform data observed from Wonsan Island and Chunsu-bay area is applied to the model. As a result, stratification model showed about 80% accuracy on its prediction data, and it has been identified Naïve Bayes algorithm, as machine learning with the best performance.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.