MétaCan
Menu
Retour à la cohorte
Enregistrement W2915249159 · doi:10.1051/matecconf/201927004017

Association rules and regression linear model of the groundwater population by the evaluation of uranium

2019· article· en· W2915249159 sur OpenAlexaboutno aff
Iing Lukman, Natalina Natalina

Notice bibliographique

RevueMATEC Web of Conferences · 2019
Typearticle
Langueen
DomaineComputer Science
ThématiqueData Mining Algorithms and Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAlkalinityLinear regressionUraniumRegression analysisVariablesPopulationGroundwaterVariable (mathematics)StatisticsRegressionMathematicsLinear modelChemistryGeologyDemographyMaterials scienceMetallurgy

Résumé

récupéré en direct d'OpenAlex

The uranium available more on groundwater samples of certain types on the total alkalinity were relatively the same. But, the content of the uranium was higher in the samples. The multiple linear regression for pH as a dependent variable showed that the pH negatively correlated to the uranium, but the uranium was not significant for the linear regression model. The data of groundwater population from the samples of 127 with 12 variables of measurement of the Energy Department of the United States of America resulted in those association rules and linear regression models. The data has five factors of Producing horizon namely Ogallala Formation (TPO), Dockum Formation (TRD), Quartermaster Group (POQ), Whitehorse and Cloud Chief Group (PGWC), El Reno Group and Blaine Formation (PGEB). The step-wise linear regression for each of the five producing horizon codes was fitted to the data. Then, the regression models for each variable of producing horizon were obtained if pH was the dependent variable. If the Uranium was a dependent variable, then the regression models obtained were four only, with the model for PGEB was not able to be made. When pH as a dependent variable, it was depended upon Boron, Total alkalinity, and Bicarbonate.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,019
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,044

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,019
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,003
Bibliométrie0,0040,004
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0020,001
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0050,003

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.

Tête enseignante Opus0,036
Tête enseignante GPT0,282
Écart entre enseignants0,246 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMATEC Web of ConferencesMême sujetData Mining Algorithms and ApplicationsTravaux en français237 207