최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.20 no.12, 2016년, pp.2348 - 2354
한강휘 (Department of Information and Communication Engineering, Gyeongsang National University) , 이웅섭 (Department of Information and Communication Engineering, Gyeongsang National University) , 성길영 (Department of Information and Communication Engineering, Gyeongsang National University)
In recent days, IoT (Internet of Things) technology has been widely used in the field of agriculture, which enables the collection of environmental data and biometric data into the database. The availability of big data on agriculture results in the increase of the machine learning based analysis. T...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
농업경영에서 기계학습 분석의 이점은? | 최근 농업분야에서 IoT(Internet of Things)기술을 통해 다양한 생체 및 환경 정보를 DB(data base)로 구축할 수 있게 되면서 빅 데이터를 이용한 기계학습 분석이 증가하고 있다. 기계학습 분석을 통해 농업의 생산량과 가축의 질병 등을 예측할 수 있게 되어 농업경영에서 효율적인 의사결정을 돕는다. 본 논문에서는 스마트 돈사의 다양한 환경데이터와 몸무게데이터를 이용하여 환경정보와 일당증체의 연관성 모델을 도출하고 그 정확도를 분석하였다. | |
데이터 분석에 적용할 때 의사결정트리 모델이 갖는 특징은? | 본 논문에서는 의사결정트리를 적용하여 데이터를 분석했다. 의사결정트리는 결과를 쉽게 이해할 수 있고 다양한 데이터에 적용할 수 있으며 데이터의 분류에 많이 사용된다. 클래스 값이 한정적 값이면 분류트리 (Classification Tree)를 사용할 수 있고 일반적인 수치 값이면 회귀트리(Regression Tree)로 얻을 수 있다. | |
의사결정트리의 단계는 어떻게 나뉘어져 있나? | 클래스 값이 한정적 값이면 분류트리 (Classification Tree)를 사용할 수 있고 일반적인 수치 값이면 회귀트리(Regression Tree)로 얻을 수 있다. 단계는 뿌리노드(Root Node), 잎 노드(Leaf Node), 내부 노드(Internal Node)3가지로 나뉜다. 데이터를 분류할때 엔트로피(Entropy)공식을 사용하여 각 노드로 분류 한다[9]. |
S. J. Roberts, R. Cain and M. S. Dawkins, "Prediction of welfare outcomes for broiler chickens using Bayesian regression on continuous optical flow data," Journal of the Royal Society interface, vol. 9, no. 77, pp.3436-3443, Sep. 2012.
D. Z. Caraviello, K. A.Weigel, M. Craven, D. Gianola, N. B. Cook, K. V. Nordlund and M. C. Wiltbank, "Analysis of reproductive performance of lactating cows on large dairy farms using machine learning algorithms," Journal of dairy science, vol. 89, no. 12, pp.4703-4722, Dec. 2006.
S. Shahinfar, D. Page, J. Guenther, V. Cabrera, P. Fricke and K. Weigel, "Prediction of insemination outcomes in Holstein dairy cattle using alternative machine learning algorithms," Journal of dairy science, vol. 97, no. 2, pp.731-742, Feb. 2014.
M. S. Lee and Y. C. Choe, "Forecasting Sow's Productivity using the Machine Learning Models," Journal of Agricultural Extension & Community Development, vol. 16, no. 4, pp. 939-965, Dec. 2009.
A.F.S. Cordero, I.A. Naas, S.R.M. Oliveira, A.C.M. Almeida and D.P. Neves, "Using Decision Tree for Classifying Farrowing Piglets Stress Conditions using Vocalization," 2012 IX International Livestock Environment Symposium (ILES IX), Valencia: Spain, pp. 3, July 8-12. 2012.
M. A. Kashiha, C. Bahr, S. Ott, C. P. Moons, T. A. Niewold, F. Tuyttens and D. Berckmans, "Automatic monitoring of pig locomotion using image analysis," Livestock Science, vol. 159, pp.141-148, Jan. 2014.
E. Khoramshahi, J. Hietaoja, A. Valros, J. Yun and M. Pastell, "Real-time recognition of sows in video: A supervised approach," Information Processing in Agriculture, vol. 1, no. 1, pp. 73-81, Aug. 2014.
K. Kirchner, K. H. Tolle and J. Krieter , "The analysis of simulated sow herd datasets using decision tree technique," Computer and Electronics in Agriculture, vol. 42, no. 2, pp. 111-127, Feb. 2004.
N. Bhargava, G. Sharma, R. Bhargava and M. Mathuria, "Decison Tree Analysis on J48 Algorithm for Data Mining," International Journal of Advanced Research in Computer Science and Software Engineering, vol. 3, no.6, pp.1114-1119, June. 2013.
I. H. Witten, E. Frank. Data Mining: Practical machine learning tools and techniques, 3th ed. San Francisco, CA, United States, Morgan Kaufmann, 2011.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
오픈액세스 학술지에 출판된 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.