Marine ML Benchmark: A Comprehensive Benchmark for Machine Learning in Marine Science

A comprehensive benchmark dataset and codebase for evaluating machine learning models in marine science applications. This package includes: - 9 marine datasets (159,851 total samples) covering biotoxin detection, oceanographic measurements, satellite data, and phytoplankton analysis- 37 pre-trained models across 5 algorithms (Random Forest, XGBoost, SVR, LSTM, Transformer)- Complete reproducible pipeline with cross-platform scripts- Publication-ready figures and tables- Comprehensive documentation and methodology The benchmark evaluates both traditional machine learning and deep learning approaches on diverse marine science tasks, providing standardized evaluation metrics and reproducible results for the research community. Key Features:- Cross-sectional and time-series marine datasets- Traditional ML vs Deep Learning comparison- Comprehensive data validation and sanity checks- Publication-ready visualizations- Complete reproducibility package- Multi-platform support (Windows/Linux/Mac) This work supports reproducible research in marine machine learning and provides a foundation for future developments in the field.一款用于评估机器学习模型在海洋科学应用场景中性能的综合基准数据集与代码库。本套件包含以下内容： - 9个海洋数据集（总计159851条样本），涵盖生物毒素检测、海洋学测量、卫星遥感数据与浮游植物分析 - 基于5类算法的37个预训练模型，包括随机森林（Random Forest）、XGBoost、支持向量回归（SVR）、长短期记忆网络（LSTM）、Transformer - 完整的可复现实验流水线，附带跨平台脚本 - 可直接用于学术发表的图表与表格 - 完善的文档与方法论说明 该基准可同时评估传统机器学习与深度学习方法在多样化海洋科学任务上的表现，为研究社区提供标准化的评估指标与可复现的实验结果。 核心特性： - 涵盖横截面与时间序列类型的海洋数据集 - 传统机器学习与深度学习方法的对比评估 - 完善的数据验证与合理性检查流程 - 可直接用于学术发表的可视化成果 - 完整的可复现研究包 - 多平台支持（Windows/Linux/Mac） 本资源可为海洋机器学习领域的可复现研究提供支撑，并为该领域的后续发展奠定坚实基础。