Predicting microhabitat selection in juvenile Atlantic salmon <i>Salmo salar</i> by the use of logistic regression and classification trees
Notice bibliographique
Résumé
Summary 1. We compared the capacity of logistic regression (LR) and classification tree (CT) models to predict microhabitat use and the summer distribution of juvenile Atlantic salmon, Salmo salar , in two reaches of a small stream in eastern Quebec. 2. The models predicted the presence or absence of salmon at a location on the basis of habitat features (depth, current velocity, presence of instream and overhead cover, substratum particle size, and distance to stream bank) measured at that location. Models were validated by means of crossover field tests evaluating the performance of models developed for one reach (calibration trials) when applied to the other reach (validation trials). Model performance was evaluated with regard to accuracy, generality and ease of use and interpretation. Prediction maps based on habitat features were also built to compare the observed position of fish with those predicted by LR and CT models. 3. The spatial distribution of active fish differed markedly from that of resting fish, apparently as a result of the selection for water greater than about 30 cm depth by active fish and for the presence of rocky cover by resting fish. 4. All models made accurate predictions, validated by crossover trials. For both LR and CT models, the prediction maps reflected well the actual fish distributions. However, CT models were easier to build and interpret than LR models. CT models also had less variable performance and a smaller decline in predictive capability in crossover trials (for fish at rest), suggesting that they may be more transferable than LR models.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».