机译:在地统计学和机器学习方法中探索空间数据的预测不确定性
Stanford Univ, Dept Geol Sci, 367 Panama St, Stanford, CA 94305 USA;
CSIRO Mineral Resources, 26 Dick Perry Ave, Kensington, WA 6151, Australia;
Auxiliary information; Prediction uncertainty; Kriging with external drift; Quantile regression forest; Spatial data;
机译:基于地统计学和机器学习算法的各种不确定性建模方法的比较
机译:使用现场测量GPS数据和机器学习方法的野火易感空间预测
机译:一种极端学习机和普通克里格的混合地质统计模型对土壤有机物的空间预测
机译:使用传统机器学习和数据科学方法的吹翼空气动力学系数预测
机译:森林土壤碳的空间预测:空间建模和地统计学方法
机译:标准机器学习方法在基于转录组学数据的表型预测上胜过深度表示学习
机译:使用现场测量GPS数据和机器学习方法的野火易感空间预测