Machine learning models combined with feature importance methods for honey yield classification: A replicable approach

养蜂人需要借助机器学习和物联网等现代技术支持的规划工具，以应对蜂蜜产量下降和波动等农业挑战。为确保可复现性，本文提出了一套研究流程：首先构建一个开放获取数据库，该数据库基于年度生产记录和气候变量（温度和降雨量）开发，并整合了数据构建、可解释性分析和模型评估。随后，应用特征重要性方法和可解释性技术，如特征重要性、随机森林中各特征的深度频率以及Shapley加性解释方法。最后，评估多种机器学习方法用于蜂蜜产量预测：逻辑回归、k近邻、支持向量机、决策树、多层感知机、随机森林、线性判别分析、梯度提升和朴素贝叶斯。这些算法在以下方面进行比较：（1）基线模型，即未进行超参数优化的模型，采用留一交叉验证和分层10折交叉验证；（2）基线加归一化/标准化（最大值除法、最小-最大和z-score）；（3）第2点配置加装袋法；（4）使用SMOTE评估数据增强和类别平衡策略，并结合投票分类器进行模型组合。结果表明，降雨量是蜂蜜产量预测中最重要的变量之一。通过选择特定特征，模型在某些情况下性能得到提升，或性能未显著下降。最小-最大和z-score方法使部分算法的预测效果得到改善；例如，支持向量机达到了0.80的准确率，而参考研究中基于随机森林的准确率为0.67，提升了13个百分点。最后，使用KNN和SVM等算法结合装袋技术、SMOTE过采样和投票分类器，可以达到0.82的准确率。总体而言，本研究提出了一套可复现的、基于数据挖掘的工作流程，整合了机器学习技术以从气候变量预测蜂蜜产量，包括使用开放获取数据集、可解释性分析以及机器学习模型的比较评估，为养蜂领域未来分析和规划工具的开发做出了贡献。