ယခင်စမ်းသပ်မှုတွင် တည်နေရာ ( ။
latitude, longitude) ကို ဖယ်ထုတ်ပြီး တစ်ခဏတာ ပျံသန်းမှုအချက်အလက် (Instantaneous Features: speed_2d, altitude, dir_sin, dir_cos, hour) ၅ ခုတည်းဖြင့် စင်ရော်ငှက် ၃ ကောင် (Eric, Nico, Sanne) ကို ခွဲခြားကြည့်ရာ GroupKFold(by date) စစ်ဆေးမှုတွင် တိကျမှု (Accuracy) မှာ ၄၇.၅% ဝန်းကျင် သာ ရရှိခဲ့ပါသည်ထိုသို့ဖြစ်ရခြင်းမှာ ငှက် ၃ ကောင်စလုံးသည် မျိုးစိတ်တူ စင်ရော်ငှက်များ (Lesser Black-backed Gulls) ဖြစ်ကြသောကြောင့် စက္ကန့်ပိုင်း/မိနစ်ပိုင်း တစ်မှတ်တည်းကိုသာ ကြည့်လျှင် ၎င်းတို့၏ အမြန်နှုန်းနှင့် အမြင့်ပေတို့မှာ ထပ်တူနီးပါး တူညီနေသောကြောင့် ဖြစ်သည်။ ဤကန့်သတ်ချက်ကို ကျော်လွှားပြီး မော်ဒယ်၏ Accuracy ကို သိသိသာသာ မြှင့်တင်နိုင်ရန် Rolling Window Feature Engineering နည်းစနစ်ကို အသုံးပြုရပါသည်။
၁။ Rolling Window Features ဆိုသည်မှာ အဘယ်နည်း။ (နောက်ခံသဘောတရား)
Rolling Window (Sliding Window) ဆိုသည်မှာ ဒေတာအတန်း တစ်ခုချင်းစီ၏ တန်ဖိုးကိုသာ ကြည့်မည့်အစား၊ လက်ရှိအချိန် ($t$) ၏ ရှေ့ပိုင်း အချိန်ကာလအပိုင်းအခြားတစ်ခု (ဥပမာ- လွန်ခဲ့သည့် ၁ နာရီ (
1h) သို့မဟုတ် ၄ နာရီ (4h) အတွင်း) ရှိ ဒေတာအားလုံးကို စုစည်း၍ ပျမ်းမျှ၊ အတက်အကျနှင့် ပျံသန်းမှုပုံစံများကို တွက်ထုတ်ယူခြင်း ဖြစ်ပါသည်။ဓာတ်ပုံတစ်ပုံတည်းကို ကြည့်ခြင်းထက် ဗီဒီယိုအတိုလေးတစ်ပုဒ်ကို ကြည့်ခြင်းက လူတစ်ဦး၏ လမ်းလျှောက်ဟန်ကို ပိုမိုတိကျစွာ ခွဲခြားနိုင်သကဲ့သို့၊ Rolling Window Features များသည် ငှက်တစ်ကောင်ချင်းစီ၏ ခွန်အားသက်လုံ (Stamina)၊ အစာရှာဟန်နှင့် ပျံသန်းမှုစတိုင် (Behavioral Signature) တို့ကို ဖမ်းယူပေးနိုင်ပါသည်။
၂။ GPS ဒေတာများတွင် Rolling Features တည်ဆောက်ရာ၌ လိုက်နာရမည့် အင်ဂျင်နီယာ စည်းမျဉ်း (၄) ချက်
(က) အတန်းအရေအတွက်အစား အချိန်ကာလအခြေပြု Window (Time-Based Rolling) ကို သုံးခြင်း
bird_tracking.csv ဖိုင်ထဲတွင် GPS မှတ်တမ်းများသည် အချိန်အတိအကျ ညီညာစွာ မှတ်တမ်းတင်ထားခြင်း မဟုတ်ပါ (တစ်ခါတစ်ရံ ၅ မိနစ်ခြား၊ တစ်ခါတစ်ရံ မိနစ် ၂၀ ခြား ရှိတတ်ပါသည်)။ ထို့ကြောင့် အတန်း ၁၀ တန်းစာ (rolling(10)) ဟု တွက်မည့်အစား Pandas ၏ rolling('1h', on='date_time') နှင့် rolling('4h', on='date_time') ကို သုံးခြင်းဖြင့် စစ်မှန်သော ရူပဗေဒအချိန်ကာလအတွင်း ပြောင်းလဲမှုကို တိကျစွာ တိုင်းတာနိုင်ပါသည်။(ခ) ငှက်အမည်နှင့် ရက်စွဲအလိုက် အုပ်စုခွဲတွက်ချက်ခြင်း (Zero Cross-Day Leakage)
Rolling Window တွက်ချက်ရာတွင် အလွန်အရေးကြီးသော အချက် (၂) ခု ရှိပါသည်-
Eric၏ ဒေတာအဆုံးနှင့်Nico၏ ဒေတာအစ ရောထွေးမသွားစေရန်bird_nameအလိုက် အုပ်စုခွဲရပါမည်။GroupKFold(by date)ဖြင့် စစ်ဆေးသည့်အခါ Test Fold ထဲရှိ နေ့ရက်တစ်ခု၏ မနက်01:00 AMအတန်းသည် Train Fold ထဲရှိ ယမန်နေ့ည11:00 PMဒေတာများကို လှမ်းမယူမိစေရန်groupby(['bird_name', 'date'])ဖြင့် နေ့ရက်တစ်ခုချင်းစီ အတွင်း၌သာ Rolling Window ကို တွက်ချက်ရပါမည်။ သို့မှသာ Fold တစ်ခုနှင့်တစ်ခု ကြားတွင် Data Leakage လုံးဝကင်းစင်မည် ဖြစ်သည်။
(ဂ) ဦးတည်ရာ တည်ငြိမ်မှု တိုင်းတာခြင်း (Directional Persistence / Mean Resultant Length)
ငှက်တစ်ကောင်သည် မျဉ်းဖြောင့်အတိုင်း ခရီးနှင်နေသလား သို့မဟုတ် အစာရှာရင်း စက်ဝိုင်းပုံ လှည့်ပတ်ပျံသန်းနေသလား ဆိုသည်ကို စက်ဝိုင်းသင်္ချာနည်းဖြင့် အောက်ပါအတိုင်း တွက်ထုတ်နိုင်ပါသည်။
- $R \approx 1.0$ ဖြစ်လျှင် ငှက်သည် ထိုအချိန်ပိုင်းအတွင်း ဦးတည်ရာ မပြောင်းလဲဘဲ မျဉ်းဖြောင့်နီးပါး တစ်သမတ်တည်း ပျံသန်းနေခြင်း ဖြစ်သည်။
- $R \approx 0.0$ ဖြစ်လျှင် ငှက်သည် တစ်နေရာတည်းတွင် အရပ်မျက်နှာစုံ လှည့်ပတ်ပျံသန်း (Circling / Foraging) နေခြင်း ဖြစ်သည်။
(ဃ) အမြင့်ပေ အတက်အကျ လှုပ်ရှားမှုနှုန်း (Vertical Climb Activity)
ငှက်တစ်ကောင်ချင်းစီ၏ လေစီးကြောင်းစီးပုံနှင့် ရေပြင်ပေါ် နိမ့်ချည်မြင့်ချည် အစာရှာပုံ ကွာခြားချက်ကို ဖမ်းယူရန်
4h အတွင်း အမြင့်ပေ အတက်အကျ ပမာဏ စုစုပေါင်း (alt_range_4h) နှင့် ပျမ်းမျှ ဒေါင်လိုက်ရွေ့လျားမှု (climb_act_4h) တို့ကို ထည့်သွင်းတည်ဆောက်ထားပါသည်။၃။ Python Code Implementation (Baseline vs. Rolling Window Features)
အောက်ပါပရိုဂရမ်သည်
bird_tracking.csv ဖိုင်တစ်ခုလုံး (မှတ်တမ်းပေါင်း ၆၁,၉၂၀ ခု) ပေါ်တွင် မူလ Feature ၅ ခု (Baseline) နှင့် Rolling Window Features ၂၁ ခု (Enhanced) တို့ကို Leakage ကင်းစင်သော GroupKFold(n_splits=5) ဖြင့် တိုက်ရိုက်နှိုင်းယှဉ် စစ်ဆေးပေးမည် ဖြစ်ပါသည်။Python
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.impute import SimpleImputer
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GroupKFold, cross_val_score
from sklearn.pipeline import Pipeline
# ၁။ ဒေတာဖတ်ရှုခြင်းနှင့် အချိန်အစဉ်လိုက် စီစဉ်ခြင်း
birddata = pd.read_csv("bird_tracking.csv")
birddata['date_time'] = pd.to_datetime(birddata['date_time'], format='mixed')
birddata = birddata.sort_values(['bird_name', 'date_time']).reset_index(drop=True)
# ၂။ အခြေခံ Instantaneous Features များ ဖန်တီးခြင်း
birddata['date'] = birddata['date_time'].dt.date
birddata['hour'] = birddata['date_time'].dt.hour
dir_rad = np.radians(birddata['direction'])
birddata['dir_sin'] = np.sin(dir_rad)
birddata['dir_cos'] = np.cos(dir_rad)
# နေ့ရက်တစ်ခုချင်းစီအတွင်း ဒေါင်လိုက် အမြင့်အတက်အကျ ပမာဏ တွက်ချက်ခြင်း
birddata['alt_diff'] = birddata.groupby(['bird_name', 'date'])['altitude'].diff().fillna(0)
birddata['abs_alt_diff'] = birddata['alt_diff'].abs()
# ၃။ Time-Based Rolling Window Features များ တည်ဆောက်ခြင်း (1-Hour & 4-Hour Windows)
# မှတ်ချက် - GroupKFold(by date) တွင် ရက်စွဲတစ်ခုမှ နောက်တစ်ခုသို့ Data Leakage မဖြစ်စေရန်
# ['bird_name', 'date'] အလိုက် အုပ်စုခွဲ၍ နေ့စဉ်အပိုင်းအခြားအတွင်း၌သာ Rolling တွက်ချက်ပါသည်။
# (က) ၁ နာရီစာ Rolling Window (1h) - လတ်တလော လှုပ်ရှားမှုပုံစံ
r1 = birddata.groupby(['bird_name', 'date']).rolling('1h', on='date_time', min_periods=1)
birddata['spd_mean_1h'] = r1['speed_2d'].mean().to_numpy()
birddata['spd_std_1h'] = r1['speed_2d'].std().fillna(0).to_numpy()
birddata['spd_max_1h'] = r1['speed_2d'].max().to_numpy()
birddata['alt_mean_1h'] = r1['altitude'].mean().to_numpy()
birddata['alt_std_1h'] = r1['altitude'].std().fillna(0).to_numpy()
birddata['alt_max_1h'] = r1['altitude'].max().to_numpy()
birddata['alt_min_1h'] = r1['altitude'].min().to_numpy()
sin_m1 = r1['dir_sin'].mean().fillna(0).to_numpy()
cos_m1 = r1['dir_cos'].mean().fillna(0).to_numpy()
birddata['dir_persist_1h'] = np.sqrt(sin_m1**2 + cos_m1**2)
# (ခ) ၄ နာရီစာ Rolling Window (4h) - ခရီးသွားသက်လုံနှင့် ရေရှည်အမူအကျင့်
r4 = birddata.groupby(['bird_name', 'date']).rolling('4h', on='date_time', min_periods=1)
birddata['spd_mean_4h'] = r4['speed_2d'].mean().to_numpy()
birddata['spd_std_4h'] = r4['speed_2d'].std().fillna(0).to_numpy()
birddata['spd_max_4h'] = r4['speed_2d'].max().to_numpy()
birddata['alt_mean_4h'] = r4['altitude'].mean().to_numpy()
birddata['alt_std_4h'] = r4['altitude'].std().fillna(0).to_numpy()
birddata['alt_range_4h'] = (r4['altitude'].max() - r4['altitude'].min()).to_numpy()
birddata['climb_act_4h'] = r4['abs_alt_diff'].mean().to_numpy()
sin_m4 = r4['dir_sin'].mean().fillna(0).to_numpy()
cos_m4 = r4['dir_cos'].mean().fillna(0).to_numpy()
birddata['dir_persist_4h'] = np.sqrt(sin_m4**2 + cos_m4**2)
# ၄။ Feature အုပ်စု (၂) ခု သတ်မှတ်ခြင်း (Latitude/Longitude လုံးဝ မပါဝင်ပါ)
base_features = ['speed_2d', 'altitude', 'dir_sin', 'dir_cos', 'hour']
rolling_features = base_features + [
'spd_mean_1h', 'spd_std_1h', 'spd_max_1h',
'alt_mean_1h', 'alt_std_1h', 'alt_max_1h', 'alt_min_1h', 'dir_persist_1h',
'spd_mean_4h', 'spd_std_4h', 'spd_max_4h',
'alt_mean_4h', 'alt_std_4h', 'alt_range_4h', 'climb_act_4h', 'dir_persist_4h'
]
X_base = birddata[base_features]
X_roll = birddata[rolling_features]
y = birddata['bird_name']
groups_date = birddata['date']
# ၅။ Leak-Free ML Pipelines တည်ဆောက်ခြင်းနှင့် GroupKFold ဖြင့် စစ်ဆေးခြင်း
gkf = GroupKFold(n_splits=5)
pipe_base = Pipeline([
('imputer', SimpleImputer(strategy='median')),
('clf', RandomForestClassifier(n_estimators=100, random_state=42, n_jobs=-1))
])
pipe_roll = Pipeline([
('imputer', SimpleImputer(strategy='median')),
('clf', RandomForestClassifier(n_estimators=150, random_state=42, n_jobs=-1))
])
print("မော်ဒယ် နှစ်ခုကို 5-Fold GroupKFold (by date) ဖြင့် စစ်ဆေးနေပါသည်...")
scores_base = cross_val_score(pipe_base, X_base, y, cv=gkf, groups=groups_date, scoring='accuracy', n_jobs=1)
scores_roll = cross_val_score(pipe_roll, X_roll, y, cv=gkf, groups=groups_date, scoring='accuracy', n_jobs=1)
print("\n=== GroupKFold (Honest Validation by Date) Accuracy နှိုင်းယှဉ်ချက် ===")
print(f"1. Baseline (Instantaneous 5 Features) : {scores_base.mean()*100:.2f}% (+/- {scores_base.std()*100:.2f}%)")
print(f"2. Enhanced (Rolling Window 21 Features): {scores_roll.mean()*100:.2f}% (+/- {scores_roll.std()*100:.2f}%)")
print(f"Accuracy တိုးတက်လာမှု ပမာဏ (Gain) : +{(scores_roll.mean() - scores_base.mean())*100:.2f}%\n")
# ၆။ မည်သည့် Rolling Feature က အရေးအပါဆုံးလဲ စစ်ဆေးရန် Full Dataset ဖြင့် Fit လုပ်ခြင်း
pipe_roll.fit(X_roll, y)
importances = pipe_roll.named_steps['clf'].feature_importances_
top_n = 12
top_idx = np.argsort(importances)[-top_n:]
# ၇။ ရလဒ်များကို ဂရပ် (၂) ခုဖြင့် ပုံဖော်ခြင်း
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(16, 6.5))
# --- ဘယ်ဘက်ဂရပ် (ax1): Fold တစ်ခုချင်းစီ၏ Accuracy နှိုင်းယှဉ်ချက် ---
folds = np.arange(1, 6)
width = 0.35
rects1 = ax1.bar(folds - width/2, scores_base * 100, width, label='Baseline (5 Instantaneous Features)', color='#95a5a6', edgecolor='black')
rects2 = ax1.bar(folds + width/2, scores_roll * 100, width, label='Enhanced (21 Rolling Window Features)', color='#2ecc71', edgecolor='black')
ax1.set_title("GroupKFold Accuracy: Instantaneous vs. Rolling Window Features", fontsize=12, fontweight='bold')
ax1.set_xlabel("Cross-Validation Fold (Grouped by Date)")
ax1.set_ylabel("Classification Accuracy (%)")
ax1.set_xticks(folds)
ax1.set_xticklabels([f'Fold {i}' for i in folds], fontweight='bold')
ax1.set_ylim(0, 100)
ax1.legend(loc='upper right')
ax1.grid(True, axis='y', linestyle='--', alpha=0.5)
for rect in rects1:
h = rect.get_height()
ax1.text(rect.get_x() + rect.get_width()/2., h + 1.0, f'{h:.1f}%', ha='center', va='bottom', fontsize=8.5, fontweight='bold')
for rect in rects2:
h = rect.get_height()
ax1.text(rect.get_x() + rect.get_width()/2., h + 1.0, f'{h:.1f}%', ha='center', va='bottom', fontsize=8.5, fontweight='bold')
# --- ညာဘက်ဂရပ် (ax2): အရေးအပါဆုံး Top 12 Features ---
ax2.barh(range(top_n), importances[top_idx], color='#1f77b4', align='center', edgecolor='black')
ax2.set_yticks(range(top_n))
ax2.set_yticklabels([rolling_features[i] for i in top_idx], fontsize=9.5, fontweight='bold')
ax2.set_xlabel("Relative Importance Score")
ax2.set_title("Top 12 Most Important Features (Rolling vs. Instantaneous)", fontsize=12, fontweight='bold')
ax2.grid(True, axis='x', linestyle='--', alpha=0.5)
plt.tight_layout()
plt.show()
၄။ မျှော်မှန်းရလဒ်နှင့် ဂရပ်မှ တွေ့ရှိရမည့် အချက်များ
ဤပရိုဂရမ်ကို Run လိုက်သည့်အခါ အောက်ပါအချက်များကို ထင်ရှားစွာ မြင်တွေ့ရပါမည်-
| အကဲဖြတ်ချက် အပိုင်း | Baseline (Instantaneous 5 Features) | Enhanced (Rolling Window 21 Features) | ပြောင်းလဲမှု အဓိပ္ပာယ် |
| GroupKFold Accuracy | ~47% – 48% | ~57% – 62% | တည်နေရာ (Lat/Lon) လုံးဝမပါဘဲ ပျံသန်းမှုပုံစံ သက်သက်ဖြင့် Accuracy +10% မှ +14% ခန့် သိသိသာသာ တိုးတက်လာပါသည်။ |
| Feature Importance | altitude, speed_2d | alt_mean_4h, spd_mean_4h, climb_act_4h, dir_persist_4h | အရေးအပါဆုံး Top 12 စာရင်း၏ ထိပ်ဆုံးနေရာအားလုံးကို 4-Hour Rolling Features များက နေရာယူသွားပါသည်။ |
- ဘာကြောင့်
4hRolling Features များက အရေးအပါဆုံး ဖြစ်သွားသနည်း ငှက်တစ်ကောင်ချင်းစီ၏ ဇီဝဗေဒဆိုင်ရာ စွမ်းဆောင်ရည် (ဥပမာ- Nico သည် ပျမ်းမျှအမြန်နှုန်း2.91 m/sနှင့် အမြင့်67.9 mဖြင့် ပိုမိုတက်ကြွစွာ ပျံသန်းလေ့ရှိပြီး Sanne သည် အမြင့်29.2 mဝန်းကျင် ရေပြင်နှင့်အနီးကပ် ပိုမိုနေထိုင်လေ့ရှိခြင်း) သည် စက္ကန့်ပိုင်း ဒေတာတစ်မှတ်တည်းတွင် မပေါ်လွင်ဘဲ နာရီပိုင်းအတွင်း စုစည်းထားသော ပျမ်းမျှနှင့် အတက်အကျ (4hwindow) ထဲတွင် အတိအကျ ပေါ်လွင်လာသောကြောင့် ဖြစ်ပါသည်။
ဒေတာပေါ်တွင် Run ရာမှ ထွက်ပေါ်လာသော Console ရလဒ်များနှင့် ဂရပ်ပုံသည် Rolling Window Feature Engineering ၏ ထိရောက်မှုကို သင်္ချာနည်းအရရော လက်တွေ့အရပါ ခိုင်မာစွာ သက်သေပြနေပါသည် ။
၁။ တိကျမှု တိုးတက်လာမှုနှင့် တည်ငြိမ်မှု ဝေဖန်သုံးသပ်ချက် (ဘယ်ဘက်ဂရပ်)
- သိသာထင်ရှားသော Accuracy တိုးတက်မှု (+10.98% Gain) တည်နေရာ (
Latitude,Longitude) လုံးဝမပါဘဲ ပျံသန်းမှုအမူအကျင့် သက်သက်ဖြင့် စစ်ဆေးရာတွင် မူလ Baseline မော်ဒယ်သည်47.91% (± 1.27%)သာ ရရှိခဲ့ရာမှ Rolling Window Features များ ထည့်သွင်းလိုက်သောအခါ58.89% (± 1.88%)အထိ မြင့်တက်လာခဲ့ပါသည်။ ၎င်းသည် မူလမော်ဒယ်ထက် နှိုင်းယှဉ်တိုးတက်မှုနှုန်း (Relative Gain)+22.92%နှင့် ကျပန်းခန့်မှန်းမှု (33.33%) ထက်+25.56%ပိုမိုတိကျလာခြင်း ဖြစ်ပါသည်။ - Fold ၅ ခုလုံးတွင် တစ်သမတ်တည်း တိုးတက်မှု (Consistent Generalization) ဘယ်ဘက် Bar Chart ကို ကြည့်ပါက မမြင်ဖူးသေးသော ရက်စွဲအသစ်များဖြင့် စစ်ဆေးထားသည့် Fold တိုင်းတွင် အစိမ်းရောင်တိုင် (Enhanced) သည် မီးခိုးရောင်တိုင် (Baseline) ထက် အနည်းဆုံး
+9.3%မှ အများဆုံး+12.0%အထိ တစ်ညီတစ်ညာတည်း မြင့်တက်နေသည်ကို တွေ့ရပါသည်— - Fold 1:
48.9%မှ59.6%သို့ (+10.7%) - Fold 2:
49.4%မှ61.4%သို့ (+12.0%) - Fold 3:
48.0%မှ60.0%သို့ (+12.0%) - Fold 4:
45.8%မှ56.7%သို့ (+10.9%) - Fold 5:
47.5%မှ56.8%သို့ (+9.3%)
- စံသွေဖည်ကိန်း နည်းပါးမှု (
± 1.88%) Fold တစ်ခုနှင့်တစ်ခု ကြားတွင် Accuracy အတက်အကျ ကွာဟချက် အလွန်နည်းပါးခြင်းသည် မော်ဒယ်က နေ့ရက်အချို့ကိုသာ ကံကောင်း၍ မှန်ကန်ခြင်းမဟုတ်ဘဲ ငှက်တစ်ကောင်ချင်းစီ၏ စစ်မှန်သော ပျံသန်းမှုစရိုက် (Behavioral Signature) ကို ဖမ်းယူနိုင်ပြီဖြစ်ကြောင်း အတည်ပြုပေးပါသည်။
၂။ အရေးအပါဆုံး Features များ ခွဲခြမ်းစိတ်ဖြာချက် (ညာဘက်ဂရပ်)
ညာဘက်ဂရပ်ရှိ
Top 12 Most Important Features စာရင်းကို ကြည့်ခြင်းဖြင့် ငှက် ၃ ကောင်ကို ခွဲခြားရာတွင် မည်သည့်ရူပဗေဒနှင့် ဇီဝဗေဒ လက္ခဏာများက အဓိကကျကြောင်း အတိအကျ တွေ့မြင်နိုင်ပါသည်။- Rolling Features များက ထိပ်ဆုံး ၁၀ နေရာလုံးကို လွှမ်းမိုးထားခြင်း အရေးအပါဆုံး Top 12 စာရင်း၏ နံပါတ် (၁) မှ နံပါတ် (၁၀) အထိ နေရာအားလုံးကို
4hနှင့်1hRolling Features များက နေရာယူထားပြီး မူလတစ်ခဏတာ Feature များဖြစ်သောaltitudeနှင့်hourတို့မှာ နံပါတ် (၁၁) နှင့် (၁၂) နေရာသို့ ရောက်ရှိသွားပါသည်။ မူလ speed_2d,dir_sin,dir_cosတို့မှာမူ Top 12 စာရင်းထဲတွင်ပင် မပါဝင်တော့ပါ။ alt_mean_4h(#1) နှင့်alt_min_1h(#2) တို့ ထိပ်ဆုံးမှ ဦးဆောင်နေရခြင်း အကြောင်းရင်း ဖိုင်တစ်ခုလုံးကို စစ်ဆေးခဲ့စဉ်က Sanne သည် ပျမ်းမျှအမြင့်29.16 m(Median8.00 m) ဖြင့် ရေပြင်နှင့်အနီးကပ် အနိမ့်ပိုင်းတွင် အနေများပြီး Nico (67.90 m) နှင့် Eric (60.25 m) တို့က ပိုမိုမြင့်မားစွာ ပျံသန်းလေ့ရှိကြောင်း တွေ့ခဲ့ရပါသည်။ တစ်ခဏတာaltitudeတွင် လှိုင်းလေကြောင့် အတက်အကျ များသော်လည်း ၄ နာရီစာ ပျမ်းမျှအမြင့် (alt_mean_4h, Importance~0.084) နှင့် ၁ နာရီအတွင်း အနိမ့်ဆုံးရောက်ရှိမှု (alt_min_1h, Importance~0.071) တို့က ငှက်တစ်ကောင်ချင်းစီ၏ ပင်ကိုယ်ကျက်စားရာ အမြင့်အလွှာ (Altitude Niche) ကို ပြတ်သားစွာ ခွဲခြားပေးနိုင်ခဲ့ပါသည်။ spd_mean_4h(#3) နှင့်spd_max_4h(#4) တို့၏ အခန်းကဏ္ဍ Nico သည် ပျမ်းမျှအမြန်နှုန်း2.91 m/sဖြင့် အခြားနှစ်ကောင်ထက် ပိုမိုတက်ကြွစွာ ပျံသန်းလေ့ရှိရာ4hအတွင်း ပျမ်းမျှအမြန်နှုန်း (spd_mean_4h,~0.070) နှင့် အမြင့်ဆုံးအမြန်နှုန်း (spd_max_4h,~0.056) တို့က ငှက်များ၏ ခွန်အားသက်လုံ (Stamina) ကွာခြားချက်ကို ဖော်ထုတ်ပေးနိုင်ခဲ့ပါသည်။ dir_persist(ဦးတည်ရာ တည်ငြိမ်မှု) Top 12 တွင် မပါဝင်ခြင်း၏ အဓိပ္ပာယ် စင်ရော်ငှက် ၃ ကောင်စလုံးသည် တူညီသော မြောက်-တောင် ရွှေ့ပြောင်းလမ်းကြောင်းနှင့် အစာရှာနည်းစနစ်ကို အသုံးပြုကြသဖြင့် ဦးတည်ရာ ပြောင်းလဲမှုပုံစံချင်း တူညီနေကြောင်း (Species-level behavior ဖြစ်ပြီး Individual-level ခွဲခြားရန် အားနည်းကြောင်း) မော်ဒယ်က အလိုအလျောက် သိရှိသွားခြင်း ဖြစ်ပါသည်။
၃။ နည်းပညာပိုင်းဆိုင်ရာ ဝေဖန်သုံးသပ်ချက်နှင့် နောက်ထပ် အဆင့်မြှင့်တင်နိုင်မည့် နည်းလမ်းများ
လက်ရှိရလဒ်
58.89% သည် တည်နေရာမပါဘဲ ခွဲခြားရသော ပြဿနာအတွက် အလွန်ကောင်းမွန်သော်လည်း အင်ဂျင်နီယာရှုထောင့်မှ ထပ်မံမြှင့်တင်နိုင်သည့် အချက် (၃) ချက် ရှိနေပါသေးသည်။- ညသန်းခေါင် အစပိုင်းနာရီများ၏ Cold-Start Effect
GroupKFoldတွင် Leakage ကင်းစင်စေရန် နေ့ရက်အလိုက် (['bird_name', 'date']) အုပ်စုခွဲ၍ Rolling တွက်ခဲ့သဖြင့် မနက်00:00မှ03:59အတွင်း မှတ်တမ်းများတွင် ၄ နာရီစာ ဒေတာအပြည့် မရှိသေးဘဲ ရှိသလောက် အတန်းအနည်းငယ်ဖြင့်သာ ပျမ်းမျှတွက်ထားပါသည်။ ထိုအချိန်ပိုင်းတွင် Window အတွင်း မှတ်တမ်းမည်မျှ ပါဝင်သနည်း (obs_count_4h) ကို Feature အဖြစ် ထည့်သွင်းပေးခြင်းဖြင့် မော်ဒယ်က ဒေတာအပြည့်ရှိချိန်နှင့် အစပိုင်းအချိန်ကို ခွဲခြားနားလည်နိုင်ပါမည်။ - Gradient Boosting (
HistGradientBoostingClassifier) ပြောင်းလဲအသုံးပြုခြင်း Random Forest သည် Feature တစ်ခုချင်းစီကို သီးခြားစီ ဖြတ်တောက်ဆုံးဖြတ်သော်လည်း Gradient Boosting မော်ဒယ်များသည်alt_mean_4h၊spd_mean_4hနှင့်hour(ဥပမာ- ညဘက်အိပ်တန်းတက်ချိန် အမြင့်နှင့် နေ့ဘက်အစာရှာချိန် အမြင့် ခြားနားချက်) တို့၏ အပြန်အလှန် ဆက်နွှယ်မှုများကို ပိုမိုနက်ရှိုင်းစွာ သင်ယူနိုင်ပါသည်။ - Out-of-Fold Confusion Matrix စစ်ဆေးခြင်း ကျန်ရှိနေသော
~41%အမှားများသည် မည်သည့်ငှက်နှစ်ကောင်ကြားတွင် အများဆုံး မှားယွင်းနေသနည်း (ဥပမာ- အာဖရိကအနောက်ပိုင်းတွင် အတူဆောင်းခိုသောNicoနှင့်Sanneကြား မှားယွင်းခြင်းလား) ကိုcross_val_predictသုံး၍ စစ်ဆေးကြည့်နိုင်ပါသည်။

No comments:
Post a Comment
Note: Only a member of this blog may post a comment.