Exploring Life Quality Index via Education Level and Population Density
Notice bibliographique
Résumé
The subjective nature of quality of life, makes it complex to measure the quality of life. Among them, finding a few key criteria that affect the quality of life in cities will be the main purpose. In this study, a linear regression model was used to predict the numerical relationship between population density, bachelor's degree rate and education Gini index, and further Akaike information criterion (AIC) and Bayesian information criterion (BIC) were selected to validate and adjust the model, and finally F-test was used to compare the initial model with the adjusted model. In addition, the random forest algorithm was used to classify the quality of life of each city by population density as well as education level to identify the common characteristics of cities with high physical quality of life index. Three classification decision trees created using different combinations of population density, bachelor's degree rate and education Gini index were used, followed by additional multiple decision trees generated by the random forest algorithm. The final results of the receiver operator characteristic curve (ROC) curves and confusion matrix of the two sets of decision trees were observed and evaluated to stratify the cities. The experimental results show that population density has a negative effect on quality of life, while bachelor's degree rate has a positive effect. Although the three indicators of population density, bachelor's degree rate and education Gini index cannot effectively distinguish the four levels, they can effectively distinguish which cities are not the first level. it shows that cities that achieve high education level and low population density are not necessarily the cities with the highest quality of life, but those that do not are definitely not.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; 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 ».