Laplace Correction of Confusion Matrices to Produce Statistically Representative Confidence Intervals
Notice bibliographique
Résumé
During diagnostic algorithm development engine testing with implanted faults may be performed. The number of implanted faults is never large enough to truly capture the distribution in the confusion matrix. Misdiagnoses in particular are unlikely to be correctly represented. Misdiagnosis that could result in costly outcomes are frequently not captured in an implantation study, resulting in a deceptively reassuring zero value for the probability of it occurring. The Laplace correction can be applied to each element of the confusion matrix to improve the generated confidence interval. This also allows a confidence interval to be produced for zero value elements. Unfortunately, the choice of Laplace correction factor influences the size of the confidence interval, and without knowing the true distribution the best correction factor cannot be determined. The choice of correction factor depends on element probability, total sample size, number of faults and confidence level. The effect of the Laplace correction on the element probability is analytically examined to provide insight into the relative influence of the correction. This is followed by an examination of the influence of the element probability, total sample size, number of faults and confidence level on the required Laplace correction. This is achieved by sampling from known populations. A method of generating good confidence intervals on each element is proposed. This includes the production of a Laplace correction based on the sample size, number of faults and confidence level. This will allow consistent comparisons of Laplace corrected matrices rather than leaving the correction factor to each individual’s best engineering judgment.
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 | 0,002 |
| 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 | 0,000 | 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 ».