The Impact of Different Performance Measures on Model Selection for Fraser River Sockeye Salmon
Notice bibliographique
Résumé
Abstract Uncertainties prevalent in fisheries systems result in deviations between management targets and observed outcomes. As an example of attempting to deal with such uncertainty, fishery managers of sockeye salmon Oncorhynchus nerka from the Fraser River, British Columbia, use environmentally based management adjustment (MA) models to forecast indices of in-river loss of adults as they migrate upstream to spawn. Losses forecasted by MA models are directly incorporated into estimates of total allowable catch, resulting in harvest reductions that aim to increase the probability of achieving spawning escapement targets. However, the relative forecasting success of different MA models has not been rigorously assessed. Therefore, we used a suite of forecasting and hindcasting metrics to rank the performance of numerous MA models. We found that the rank of each model varied across sockeye salmon stock aggregates (i.e., run timing groups) and depended on the performance measures chosen for evaluation. Although model selection in fisheries research is often determined solely by model-fitting criteria, such as R2 and Akaike's information criterion (corrected for small-sample bias), in our case the models with the largest mean R2 value, the smallest mean corrected Akaike's information criterion, or both often ranked poorly for measures of model forecast performance (i.e., mean raw error, mean absolute error, and root mean square error). Although no single model performed best across all run timing groups, failure to apply an MA produced the worst outcome (for 3 of the 4 run timing groups) or second-worst outcome (for the fourth group). We provide a framework for model selection based on the relative importance of different model selection criteria and their associated performance measures. We urge scientists and managers to work closely together to develop appropriate metrics for assessing model performance and for objectively selecting forecast models that will best meet management objectives. Received April 29, 2010; accepted December 6, 2010
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,057 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».