机构名称：
¥ 1.0
传统的养鱼面临着一些重大挑战，包括水污染，温度失衡，饲料管理，有限的土地可用性和高成本。水产养殖业继续面临各种挑战，包括需要增强监测系统的需求，早期鉴定疾病暴发，高死亡率以及促进可持续性。这些问题代表了需要解决的持续关注，并促使该研究使用woosong University Fish Pond Dataset进行了有关鱼类池塘水质管理的研究，这些数据集来自Kaggle Machine Learning存储库。这项研究的目的是开发利用机器学习（ML）技术的水产养殖解决方案，以增强虾的生长并在池塘环境中提高生产率。因此，该研究仔细检查了某些机器学习算法的有效性，包括XGBoost，梯度提升，K-Neighbors Repressor，随机森林回归器和混合集合模型。使用一些评估指标的评估指标，例如均方根误差（MSE），平均绝对百分比误差（MAPE），R-squared（R2）和根平方误差（RMSE），以评估算法的有效性。该研究的发现表明，在预测准确性方面，随机的森林回归和混合合奏模型优于其他算法，使其成为评估养鱼养鱼水质的强大候选者。
使用机器学习算法的鱼池水质评估模型
主要关键词
相关文件推荐
