El aprendizaje por reforzamiento es el aprender que hacer, recibiendo una recompensa por acción realizada y siendo mayor cuando esta más cerca del objetivo deseado. Por ejemplo, no se le dice al alumno que hacer, sino que debe descubrir que acciones tomar y que estas le produzcan una mayor recompensas (Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction. MIT press.)
Reinforced XGBoost machine learning model for sustainable intelligent agrarian applications
El aprendizaje automático ha surgido con tremendas técnicas de procesamiento para detectar nuevos sucesos en los avances agrarios multidisciplinarios. En este artículo se propone un novedoso algoritmo de regresión híbrido, refuerzo de gradiente extremo reforzado que muestra una ejecución esencialmente mejorada sobre los algoritmos tradicionales de aprendizaje automático como redes neuronales artificiales, Q-Network profunda, aumento de gradiente, bosque aleatorio y árbol de decisión. El modelo híbrido propuesto realiza el aprendizaje por refuerzo en cada nodo durante el proceso de división de nodos de la construcción del árbol de decisión. Esto conduce a una utilización eficaz de las muestras seleccionando el atributo de división apropiado para un rendimiento mejorado. El rendimiento del modelo se evalúa mediante el error cuadrático medio, el error absoluto medio y el coeficiente de determinación. Para asegurar una evaluación justa de los resultados, la evaluación del modelo se realiza tanto en el conjunto de datos de entrenamiento como de prueba. Los resultados obtenidos delimitan el hecho de que el enfoque híbrido propuesto funciona mejor con una medida de error reducida y una precisión mejorada del 94,15% sobre los otros algoritmos de aprendizaje automático.
Conclusión
En la agricultura es muy importante la optimización de recursos debido a que no son recursos no renovables y con la ayuda de las tecnologías como el aprendizaje por reforzamiento nos permite controlar un conjunto de variables en la agricultura y de esta forma asegurando una máxima productividad, evitando la generación de enfermedades o plagas que puedan ocasionar perdidas totales en los cultivos.
Bibliografia
- Elavarasan, Dhivya y Vincent, Durai Raj. 'Modelo de aprendizaje automático XGBoost reforzado para aplicaciones agrarias inteligentes sostenibles'. 1 de enero de 2020: 7605 - 7620.
- Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction. MIT press.