Pour savoir comment effectuer et gérer un dépôt de document, consultez le « Guide abrégé – Dépôt de documents » sur le site Web de la Bibliothèque. Pour toute question, écrivez à corpus@ulaval.ca.
 

Publication :
Quality of sawmilling output predictions according to the size of the lot - The size matters!

En cours de chargement...
Vignette d'image

Date

2021-05-07

Direction de publication

Direction de recherche

Titre de la revue

ISSN de la revue

Titre du volume

Éditeur

Projets de recherche

Structures organisationnelles

Numéro de revue

Résumé

Lors de l'évaluation de modèles d'apprentissage automatique supervisé, on considère généralement le rendement de prédiction moyen obtenu sur les tests individuels comme mesure de choix. Toutefois, lorsque le modèle est destiné à prédire quels produits du bois seront obtenus lors du sciage de certains billots, c'est généralement la performance pour un lot complet qui importe. Dans cet article, nous montrons l'impact de cette nuance en termes d'évaluation du modèle. En fait, la qualité d'une prédiction (globale) s'améliore considérablement lorsque l'on augmente la taille des lots, ce qui offre un solide soutien à l'utilisation de ces modèles en pratique.


When comparing supervised learning models, one generally considers the average prediction performance obtained over individual test samples. However, when using machine learning to predict which lumber products will be obtained when sawing logs, it is usually the performance over the entire lot that matters. In this paper, we show the impact of this by evaluating a model performance for various batch sizes. The quality of a (global) prediction improves tremendously when batch size increases, which offers a strong support for the use of such models in practice.

Description

Revue

International Conference on Industrial Engineering and Quality (CIGI-Qualita21)

DOI

URL vers la version publiée

Mots-clés

Simulation de débitage, Évaluation de modèles d’apprentissage supervisé, Application d’apprentissage automatique, Industrie des produits forestiers, Sawing Simulation, Supervised Learning Models Evaluation, Machine Learning Application, Forest products industry

Citation

Licence CC