The analysis from nonlinear distance metric to kernel-based prescription prediction system
Notice bibliographique
Résumé
The distance metric and its nonlinear variant play a substantial role in machine learning, particularly yoso in building kernel functions.Often, the Euclidean distance with a radial basis function (RBF) is used to construct a RBF kernel for nonlinear classification.However, domain implications periodically constrain the distance metrics.Specifically, within the domain of drug efficacy prediction, distance measures must account for time that varies based on disease duration, short to chronic.Recently, a distance-derived graph kernel approach was commercially licensed for drug prescription efficacy prediction.The analysis of the distance functions used therein, namely the Euclidean and cosine distance measures and their respective derived graph kernels, is provided.Theoretically, we provide a formulation of our efforts and demonstrate how both the Euclidean and cosine distance induce space and discuss the difference from geometric perspectives.The aforementioned approach is likewise empirically evaluated using a million-plus patient subset of a life-spanning, real-world, electronic health record database.Diseases are characterized as either short in duration or chronic and either common, hence balanced data, or relatively rare, hence imbalanced.Empirically, the system accurately predicted the efficacy of prescriptions for both balanced and imbalanced and short-term and chronic diseases, with at least one of the measures used being statistically significantly superior to conventional prediction methods.Succinctly, for short-term, balanced diseases, the Euclidean and cosine measures were generally statistically equivalent.For short-term, imbalanced diseases however, the Euclidean measure was superior to the cosine measure, at times and not infrequently, statistically significantly so.For chronic, balanced diseases, Euclidean was slightly superior to the cosine measure, but they were statistically equivalent.In contrast, for chronic, imbalanced diseases, the cosine measure was consistently statistically significantly superior to the Euclidean measure.These findings indicate the need for both measures depending on the use case.Our empirical findings match our theoretical underpinnings.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».