Averaging and Stacking Partial Least Squares Regression Models to Predict the Chemical Compositions and the Nutritive Values of Forages from Spectral Near Infrared Data
2022
Lesnoff, Mathieu | Andueza, Donato | Barotin, Charlène | Barre, Philippe | Bonnal, Laurent | Fernández Pierna, Juan, Antonio | Picard, Fabienne | Vermeulen, Philippe | Roger, Jean-Michel | Systèmes d'élevage méditerranéens et tropicaux (UMR SELMET) ; Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Institut Agro Montpellier ; Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro) | ChemHouse Research Group | Département Environnements et Sociétés (Cirad-ES) ; Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad) | Unité Mixte de Recherche sur les Herbivores - UMR 1213 (UMRH) ; VetAgro Sup - Institut national d'enseignement supérieur et de recherche en alimentation, santé animale, sciences agronomiques et de l'environnement (VAS)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE) | Unité de Recherche Pluridisciplinaire Prairies et Plantes Fourragères (P3F) ; Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE) | Centre wallon de Recherches Agronomiques [Belgique] = Walloon Agricultural Research Centre [Belgium] (CRA-W) | Geneva University Hospitals and Geneva University | Technologies et Méthodes pour les Agricultures de demain (UMR ITAP) ; Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Institut Agro Montpellier ; Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)
International audience
Afficher plus [+] Moins [-]anglais. Partial least square regression (PLSR) is a reference statistical model in chemometrics. In agronomy, it is used to predict components (response variables y) of chemical composition of vegetal materials from spectral near infrared (NIR) data X collected from spectrometers. PLSR reduces the dimension of the spectral data X by defining vectors that are then used as latent variables (LVs) in a multiple linear model. One difficulty is to determine the relevant dimensionality (number of LVs) for the given data. This step can be very time consuming when many datasets have to be processed and/or the datasets are frequently updated. The paper focuses on an alternative, bypassing the determination of the PLSR dimensionality and allowing for automatizing the predictions. The strategy uses ensemble learning methods, such as averaging or stacking the predictions of a set of PLSR models with different dimensionalities. The paper presents various methods of PLSR averaging and stacking and compares their performances to the usual PLSR on six real datasets on different types of forages. The main finding of the study was the overall superiority of the averaging methods compared to the usual PLSR. We therefore believe that such methods can be recommended to analyze NIR data on forages.
Afficher plus [+] Moins [-]Mots clés AGROVOC
Informations bibliographiques
Cette notice bibliographique a été fournie par Institut national de la recherche agronomique
Découvrez la collection de ce fournisseur de données dans AGRIS