Model clustering and its application to water quality monitoring
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The classification of objects into groups where the objects within a group share a set of common traits is important in many areas of applications and particularly in environmental pollution studies. Consider the situation where variables are measured on different occasions for each of K objects, and the objective is to classify these objects into groups according to some common characteristics. The procedure introduced in this paper consists of two aspects: model fitting and clustering. The model fitting selects a family of models which is appropriate for the structure and nature of the available measurements, and then is performed for both individual and pooled datasets. The clustering starts with K models that represent the K objects and thus the similarity of the objects reduces to the similarity of their models. Since the models are members of the same family, the models similarity is defined as the equality of their parameters of interest. Here, we partition the parameter vector into two sub‐vectors corresponding to the interested parameters and ancillary parameters. The clustering will group together objects that have common interested parameters while allowing the ancillary parameters to be object specifics. The p ‐value associated with the proposed model linking test is used as the similarity measure. Several grouping strategies are proposed like cluster peeling, pairwise combining, as well as a speeding technique called splitting‐and‐binding. A small simulation study is used to demonstrate the utility of the method. The paper concludes by presenting an environmental application where the interest is to classify E. coli bacteria according to their responses to antibiotic treatments. The data were collected bi‐weekly at several locations within three Canadian watersheds during 2005. Metric closeness in parameter space used by conventional method and likelihood closeness in model space employed by model clustering are discussed in this application. Copyright © 2008 John Wiley & Sons, Ltd.
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.
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 découle