Assessing the Impact of ATM and POS Transactions on Currency Circulation in Nigeria: A Comparison of Artificial Neural Network and Linear Regression Models
Notice bibliographique
Résumé
This work is aimed at assessing the impact of ATM and POS transactions on currency in circulation in Nigeria via the comparison of the Artificial Neural Network and Linear Regression models.The Pearson product moment correlation coefficient was used to assess the degree of relationship between currency in circulation and ATM transactions, currency in circulation and POS transactions, ATM transactions and POS transactions.In addition to this, a multiple linear regression model was also fitted on the data to in order to assess the impact of currency in circulation on ATM transactions and POS transactions.From the results obtained, it was observed that POS transactions have a significant impact on the amount of currency in circulation compared to ATM transactions because the value of POS transactions has a P-value of 1.5542E-13 which is significant at 0.05.This was further studied using the Artificial Neural Network (ANN).The Multilayer preceptor of ANN was adopted, with 70 percent of the data initially subjected to training and 30 percent for validity.Thereafter, the amount of training data was increased to 61.4% and testing data was increased to 38.6% and it was observed that there was corresponding increase in the R-square from 0.809 to 0.839.This shows that the R-square of the ANN can be improved by increasing the amount of training data and testing data.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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; 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 ».