Notice bibliographique
Résumé
Statistical models are commonly used to predict the outcome of events in a wide variety of fields such as health, finance, and business. Evaluation metrics are used to assess the effectiveness of these predictive models. One classification evaluation metric, called the receiver operating characteristics (ROC) curve has several useful properties, such as being threshold agnostic and can manage class imbalance where the outcomes are not equally represented. Despite the usefulness of the ROC curve, there is not a standard approach to extend to curve to multiclass problems. The purpose of this project was to evaluate multivariate ROC curve implementations with various underlying class proportions and degrees of separation. The methods we evaluated include the Macro, Micro, and Weighted average for one versus rest comparisons as well as the Hand and Till (HT) method. We compared the methods on simulated data with balanced, unbalanced and strongly unbalanced class proportions in combination with no separation, small separation, and large separation between classes. We found the methods were significantly different when class proportions were either unbalanced or severely unbalanced and the distributions were either separated or strongly separated (n=100, p<0.01). Pairwise comparisons found that HT and Macro were significantly different than Micro and Weighted (n=100, p<0.01). This study demonstrates that some of the AUC ROC methods differ depending on the class proportions and underlying distributions. The findings from this project may help practitioners select the most appropriate method according to their goals. Department: Computer Science Faculty Mentor: Dr. Wanhua Su
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».