Usporedba metoda strojnog učenja za klasifikaciju zemljišnog pokrova (CROSBI ID 431377)
Ocjenski rad | diplomski rad
Podaci o odgovornosti
Katanec, Ana
Medak, Damir
Dobrinić, Dino
hrvatski
Usporedba metoda strojnog učenja za klasifikaciju zemljišnog pokrova
Random Forest algoritam se najčešće koristi za nadziranu klasifikaciju zemljišnog pokrova na satelitskim snimkama. Početkom 2014. godine, student Tianqi Chen razvio je XGBoost algoritam koji se također može primijeniti za klasifikaciju zemljišnog pokrova. Oba algoritma kombiniraju predikcije više modela (eng. ensemble learning), pri čemu Random Forest spada u 'bagging' algoritme, a XGBoost u 'boosting' algoritme. Ovim diplomskim radom napravljena je usporedba točnosti Random Forest i XGBoost algoritma na multispektralnim satelitskim snimkama. Klasifikacija satelitskih snimaka (Sentinel-2, Planet Scope i RapidEye) izvršena je u R programskom jeziku unutar kojeg su razvijeni brojni paketi za strojno učenje i provjeru točnosti. Postignute točnosti nalaze se u rasponu od 97.3% do 98.5%. Za Random Forest metodu najviša točnost dobivena je za PlanetScope snimku, potom za Sentinel-2 snimku, a najniža točnost klasifikacije dobivena je za RapidEye snimku. Također za XGBoost metodu najviša točnost dobivena je za PlanetScope snimku, potom za Sentinel-2 snimku, a najniža točnost klasifikacije dobivena je za RapidEye snimku. Za sve tri snimke klasifikacija pomoću Random Forest algoritma je točnija, a klasifikacija pomoću XGBoost algoritma je brža.
analiza točnosti ; klasifikacija ; Random Forest algoritam ; XGBoost algoritam
nije evidentirano
engleski
Comparison of machine learning algorithms for land-cover classification
nije evidentirano
accuracy assessment, classification, Random Forest, XGBoost
nije evidentirano
Podaci o izdanju
41
22.11.2019.
obranjeno
Podaci o ustanovi koja je dodijelila akademski stupanj
Geodetski fakultet
Zagreb