.png){kind=icon}
返回
Explainable models for predicting crab weight based on genetic programming
.png){kind=icon}
OA
AI
DOI：10.1016/j.ecoinf.2025.103131.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
可靠的体重预测在螃蟹的商业交易和种群管理中起着重要作用。现有研究通常使用预定义模型来解释螃蟹体重与体长的关系。在本文中，我们提出了一种基于遗传编程（GP）的有效回归方法，用于构建可解释模型，这些模型包含更多特征以探索体重与螃蟹物理特征之间的潜在关系。基于GP的方法已在公开可用的螃蟹数据集上进行评估。实验结果与用于预测两种螃蟹体重的几种基线方法进行了比较。在测试集上，GP在所有基线方法中表现出最佳性能，即就决定系数而言，预测螃蟹体重为90.8%，预测去壳体重为81.3%。得益于特征选择的明确能力，GP可以选择更重要特征以提升预测性能。更重要的是，生成的模型可以提供潜在的可解释性，这对于渔业管理和生态研究领域的专家尤为宝贵。
Keyword:
Weight prediction
Genetic programming
Crab
Symbolic regression
Explainable artificial intelligence
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.3
论文数:
3.7K
被引数:
1.3W
机构
引用论文
Prediction of shrimp growth using an artificial neural network and regression models利用人工神经网络和回归模型预测虾的生长
PREAI
分享收藏Explainable artificial intelligence enhances the ecological interpretability of black-box species distribution models可解释的人工智能增强了黑箱物种分布模型的生态可解释性.png)
ECOGRAPHYOAAI
ECOGRAPHYIF4.7
OAAI分享收藏The role of crustacean fisheries and aquaculture in global food security: Past, present and future
PREAI
分享收藏
查看更多内容