Detecting British Columbia Coastal Rainfall Patterns by Clustering\n Gaussian Processes
Notice bibliographique
Résumé
Functional data analysis is a statistical framework where data are assumed to\nfollow some functional form. This method of analysis is commonly applied to\ntime series data, where time, measured continuously or in discrete intervals,\nserves as the location for a function's value. Gaussian processes are a\ngeneralization of the multivariate normal distribution to function space and,\nin this paper, they are used to shed light on coastal rainfall patterns in\nBritish Columbia (BC). Specifically, this work addressed the question over how\none should carry out an exploratory cluster analysis for the BC, or any\nsimilar, coastal rainfall data. An approach is developed for clustering\nmultiple processes observed on a comparable interval, based on how similar\ntheir underlying covariance kernel is. This approach provides interesting\ninsights into the BC data, and these insights can be framed in terms of El\nNi\\~{n}o and La Ni\\~{n}a; however, the result is not simply one cluster\nrepresenting El Ni\\~{n}o years and another for La Ni\\~{n}a years. From one\nperspective, the results show that clustering annual rainfall can potentially\nbe used to identify extreme weather patterns.\n
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,007 | 0,012 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».