환경 연구에서의 기계 학습: 일반적인 함정과 모범 사례

기계 학습(ML)은 환경 연구에서 대규모 데이터 세트를 처리하고 시스템 변수 간의 복잡한 관계를 해독하는 데 점점 더 많이 사용되고 있습니다. 그러나 익숙하지 않거나 방법론적인 엄격성이 부족하여 적절하지 않은 ML 연구는 잘못된 결론으로 이어질 수 있습니다. 본 연구에서는 문헌 분석과 우리의 경험을 종합하여 환경 ML 연구를 위한 일반적인 함정 및 모범 사례 지침을 튜토리얼 형식으로 제공했습니다. 우리는 30개 이상의 주요 항목을 식별하고, 용어의 오해, 적절한 샘플 크기 및 특징 크기, 데이터 보강 및 특징 선택, 무작위성 평가, 데이터 유출 관리, 데이터 분할, 방법 선택 및 비교, 모델 최적화 및 평가, 모델 설명 가능성 및 인과 관계에 대한 증거 기반 데이터 분석을 148개의 인용이 많은 연구 논문을 기반으로 제공했습니다. 감독 학습 및 참고 모델링 패러다임에 대한 좋은 사례를 분석함으로써, 우리는 연구자들이 환경 연구 및 응용 분야에서 더 정확하고 견고하며 실용적인 모델 사용을 위한 보다 엄격한 데이터 전처리 및 모델 개발 기준을 채택하도록 돕기를 희망합니다.