Customizing the rpart library for multivariate gaussian outcomes: the longRPart library
Notice bibliographique
Résumé
Abdolell et al. (2001) implemented a binary partitioning algorithm for the case of continuous repeated measures outcomes, using Mahalanobis distance as a deviance measure to evaluate goodness-of-split. The algorithm was implemented only for a single split at the root node of the tree with the single purpose of dichotomising prognostic variables. The binary partitioning algorithm was implemented in SAS using the PROC MIXED procedure, along with a permutation test to evaluate the p-value of the associated binary split and a bootstrap method to calculate a confidence interval. This project extends the binary partitioning algorithm of Abdolell et. al to a binary recursive partitioning algorithm which is implemented in R. We utilize the nlme library to extend the rpart library, producing the longRPart library for binary recursive partitioning in the case of MVN outcomes, and extends the algorithm to split on unordered categorical variables. A tree plotting function is developed for annotated plots that are applied to terminal nodes of the tree to display the longitudinal profiles of the outcome variable. A detailed discussion will be presented of how the rpart library was extended to accomodate the longitudinal outcome with its associated deviance measure, and how to apply these same principles to the case of other non-standard outcomes using custom R functions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».