Feature Selection Methods for Multiphase Reactors Data Classification
Notice bibliographique
Résumé
The design of reliable data-driven classifiers able to predict flow regimes in trickle beds or bed initial behavior (contraction/expansion) in three-phase fluidized beds requires as a first step the identification of a restrained number of salient variables among all the numerous available features. Reduction of dimensionality of the feature space is urged by the fact that lesser training samples may be required and/or more reliable estimates for the classifier parameters may be achieved and/or improvement in accuracy can be achieved. This work investigates several methodologies to identify the relevant features in two classification problems belonging to a multiphase reactor context. Relevance of the subsets was assessed using mutual information between the subsets and the class variable (filter approach) and by the accuracy rate of a one-nearest neighbor classifier (wrapper approach). Algorithms for generating feasible sets to maximize these relevance criteria that were investigated were the sequential forward selection and the plus- l -take away r . Another conceptually different method to feature ranking that was tested was based on the Garson's saliency indices derived from the weights of classification neural networks. Reliability of the feature selection methodologies was first evaluated on two benchmark problems (a synthetic problem and the Anderson's iris data). They were henceforth applied to the two multiphase reactors classification problems with the goal of identifying the most appropriate features subsets to be used into classifiers. Finally, a new feature selection algorithm which combines filter and wrapper techniques proved to yield the same solutions as the wrapper technique while being less computationally expensive.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».