Page 22 - 《水产学报》2025年第11期
P. 22

朱国平，等                                                                水产学报, 2025, 49(11): 119102


                                          表 2    鱼类物种识别和种群判别分类器总结表
                           Tab. 2    Summary of fish species identification and population discriminatory classifiers
                                     噪声     数据     过拟合
                        分类依据                                       参数数量 预测能力           应用鱼类
               分类器                  敏感性    敏感性      风险    可解释性                                        文献
              classifier  classification  anti-noise  data  overfitting interpretability  parameter predictive  fish  reference
                         theory                                    number  capacity     species
                                   capability sensitivity  risk
               LDA  投影后类内方差最小，        —      ↗      —        ↗       ↗      ↗     冰鱼科 Channichthyidae  [43]
                    类间方差最大                                                        鲭科 Scombridae
               QDA LDA的变体，允许数         —      ↗      —        ↗       ↗      ↗     海鲇科 Ariidae         [74]
                    据的非线性分离                                                       鲭科 Scombridae
               KNN 计算不同特征值距离          ↘      ↘      —        —       —      —     鲭科 Scombridae       [75]
                                                                                  鲑科 Salmonidae
               SVM 找到最大间隔超平面          —      —      —        ↘       ↘      ↗     鲤科 Cyprinidae       [26]
                    进行分类                                                          鳀科 Engraulidae
                                                                                  鲱科 Clupeidae
               DT   根据损失函数最小化         —      ↗      ↘        ↗       —      —     鲑科 Salmonidae       [44]
                    建立决策树
               RF   熵原则构建多棵决策         —      ↗      —        ↗       —      ↗     鲷科 Sparidae         [26]
                    树，投票机制                                                        冰鱼科 Channichthyidae
                                                                                  鳕科 Gadidae
               Bayes 基于训练集D来估计类       —      ↗      —        ↗       ↗      ↘     鲑科 Salmonidae       [76]
                    先验概率
               LR   使用某概率模型计算         ↘      —      —        ↗       ↗      —     鲑科 Salmonidae       [61]
                    概率
               NN   受生物神经网络启发         —      ↘      ↘        ↘       ↘      ↗     鳕科 Gadidae          [77]
                    的模型，最后通过多                                                     鲑科 Salmonidae
                    层神经网络计算概率                                                     鲤科 Cyprinidae
                    分类
              注：↗.较高，—.中等，↘.较低。LDA.线性判别分析，QDA.二次判别分析，KNN. K最近邻分类，SVM.支持向量机，DT.决策树，RF.随机森
              林，Bayes.贝叶斯分类，LR.逻辑回归，NN.神经网络。
              Notes: ↗. high, —. medium, ↘. low. LDA. Linear Discriminant Analysis, QDA. Quadratic Discriminant Analysis, KNN. K-Nearest Neighbors, SVM.
              Support Vector Machines, DT. Decision Tree, RF. Random Forest, LR. Logistic Regression, NN. Neural Network.

              所示 。其中最常见的为准确率指标，但在正                             将每个类别平等地看待 。
                   [80]
                                                                                    [82]
              负样本不均衡的情况下，这个指标有着较大的缺                                当某些分类依据是概率值分类的模型，会
                 [81]
              陷 。例如，正例数量明显大于负例数量，若                             通过阈值    δ确定分类的类别。此时，阈值会影响
              分类模型将所有实例均预测为正类，准确率仍                             模型评价的效果，所以提出了一些无阈值化的
              较高，但无法说明模型性能优越。一般情况下，                            评 价 指 标 。 接 收 者 操 作 特 征 曲 线 下 的 面 积
              准确率越接近于          1，模型性能越优越。所以，                   (AUROC) 时不需要阈值的评价方法，其通过计
              针对不同的任务，有学者会选择精确率和召回                             算真正类率      TPR  和负正类率      TNR  描绘   ROC  曲
              率，如要求任务不能出现错误的识别，则要求
                                                               线，计算曲线下的面积。面积越接近                    1，模型
              模型需要较高的召回率。实际上，精确率和召
                                                               的分类性能越优。
              回率是矛盾的两个指标；一般来说，精确率高
              时，召回率值往往偏低；而精确率值低时，召                              3    展望
              回率值往往偏高。当分类置信度高时，精确率
              偏高；分类置信度低时，召回率偏高。所以需                                 本文回顾了机器学习在鱼类物种识别与种
              要引入    F-score 衡量模型的整体指标，其最常用                    群判别中的应用。大数据的背景下，鱼类研究
              的是   F 1 分数。而在多分类问题中，同样延伸了                       中机器学习占据的比例逐年增长，有较大的潜
              两 类 评 价 指 标 ， 宏 观        F 1 (Macro F 1 )和 微 观   力成为新的研究热点。其中，基于图片和影像
              F 1 (Micro F 1 )。其中，Micro F 1 考虑了模型中可            数据的鱼类物种识别通常采取深度学习的策略，
              能出现了数据不均衡的问题，宏观                  F 1 分数则是        且为了满足神经网络需要的大量数据，大量研

              https://www.china-fishery.cn                           中国水产学会主办    sponsored by China Society of Fisheries
                                                            8
   17   18   19   20   21   22   23   24   25   26   27