Notice bibliographique
Résumé
A rule-inducing learning algorithm yields a set of decision rules that depict knowledge discovered from a (usually large) dataset; therefore, this topic is often known as knowledge discovery from databases (KDD). Any classifier (or, expect system) then can utilize this decision set to derive a decision about given problems, observations, or diagnostics. The decision set (induced by a learning algorithm) may be either of the form of an ordered or unordered set of rules. The latter seems to be more understandable by humans and directly applicable in most expert systems, or generally, any decision- supporting one. However, classification utilizing the unordered-mode decision set may be accompanied by some conflict situations, particularly when several rules belonging to different classes match (are satisfied by, “fire” for) an input to-be-classified (unseen) object. One of the possible solutions to this conflict is to associate each decision rule induced by a learning algorithm with a numerical factor, which is commonly called the rule quality (An & Cercone, 2001; Bergadano et al., 1988; Bruha, 1997; Kononenko, 1992; Mingers, 1989; Tkadlec & Bruha, 2003). This article first briefly introduces the underlying principles for defining rules qualities, including statistical tools such as contingency tables and then surveys empirical and statistical formulas of the rule quality and compares their characteristics. Afterwards, it presents an application of a machine learning algorithm utilizing various formulas of the rule qualities in medical area.
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 | 0,008 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».