PPSN_Based_探索性景观分析采样策略敏感性研究实验数据

数据集概述

本数据集为研究“探索性景观分析对采样策略高度敏感”提供特征值数据，包含R包flacco中所有“低成本”特征值，基于5种采样策略（Random、Randu、LHS、iLHS、Sobol）在5维空间计算，同时提供分类结果、统计数据及可视化图表相关文件，共7个文件。

文件详解

• CSV数据文件
• features_summary_dim_5_ppsn.csv：CSV格式，包含每种特征的100个值
• features_summary_dim_5_ppsn_median.csv：CSV格式，包含每种特征100个值的中位数
• stats50_knn_dt.csv：CSV格式，提供热图和箱线图的中位数、四分位距（IQR）原始数据，字段含训练方法、测试方法、样本量、knn中位数、knn IQR、dt中位数、dt IQR
• result_classif_knn100.csv：CSV格式，包含100次分类的准确率数据，字段含训练方法、测试方法、点数、得分
• result_classif_dt100.csv：CSV格式，包含100次分类的准确率数据，字段含训练方法、测试方法、点数、得分
• 代码文件
• sampling_ppsn.py：Python格式，用于生成计算特征值的样本点的代码
• 压缩文件
• PPSN_feature_plots.zip：ZIP格式，包含24个COCO函数上Random、LHS、Sobol三种采样策略的特征值直方图

数据来源

研究“Exploratory Landscape Analysis is Strongly Sensitive to the Sampling Strategy”

适用场景

• 探索性景观分析研究：用于分析不同采样策略对探索性景观分析特征值的影响
• 采样策略评估：比较Random、Randu、LHS、iLHS、Sobol五种采样策略的性能差异
• 机器学习分类分析：基于分类准确率数据研究模型在不同采样策略下的表现
• 数据可视化研究：利用特征值直方图分析特征分布规律
• 统计分析：通过中位数、四分位距等统计数据进行探索性数据分析