Sparse Attention Regression Network Based Soil Fertility Prediction With Ummaso

本研究提出了一种新的方法，将Uniform Manifold Approximation and Projection (UMAP)与Least Absolute Shrinkage and Selection Operator (LASSO)相结合，以解决不平衡的土壤养分数据对土壤肥力预测的影响。其主要目的是消除数据分布不均的影响，提高土壤肥力模型的预测精度。所提出的模型采用了Sparse Attention Regression，有效地将不平衡数据集中的相关特征纳入其中。首先，使用UMAP降低数据复杂性，揭示隐藏的结构和重要的模式；然后，应用LASSO来精细特征并增强模型的可解释性。实验结果突出了UMAP和LASSO混合方法的有效性。所提出的模型达到了出色的性能指标，预测准确率达到了98％，表明其在准确预测土壤肥力方面的能力。此外，它展示了91.25％的精度，表明其在准确识别肥沃土壤实例方面的熟练程度。召回率为90.90％，强调了模型有效捕捉真正的阳性案例的能力。

本论文旨在解决土壤养分数据集不平衡问题，提高土壤肥力预测模型的准确性。

论文提出了一种新方法，将UMAP和LASSO相结合，使用Sparse Attention Regression来处理不平衡数据集，提高模型的预测能力。

论文的实验结果表明，该方法在土壤肥力预测方面取得了出色的表现，预测准确率达到了98%。此外，该模型还具有91.25%的精度和90.90%的召回率，说明其能够有效地识别肥沃土壤。

最近的相关研究包括："Soil Fertility Prediction using Machine Learning Techniques: A Review"和"A Comprehensive Review of Soil Fertility Prediction using Data Mining Techniques"。