The application of multiple linear regression methods to FTIR spectra of fingernails for predicting gender and age of human subjects
Notice bibliographique
Résumé
The paper explores the accuracy of gender and age prediction of human subjects based on the chemometric analysis of FTIR spectra from fingernails. The baseline and scaling over the 0-1 range were applied to FTIR spectra from fingernails of 123 subjects, and wavenumbers for which absorbance values showed a statistically significant correlation with gender and age were identified. The prediction accuracy was analyzed using: Multiple linear regression, Forward stepwise regression, Backward stepwise regression, Principal component regression, and Partial least squares regression. As regard the gender prediction, the principal component regression model proved to be the most accurate, with 8 extracted components allowing a prediction of 93.50 % (86.00 % for women, 98.63 % for men). The predictive power of the model showed that in case of new subjects, gender classification could be done in 91.06 % of cases (84.00 % for women, 95.89 % for men). For age prediction, the optimal backward stepwise regression model with 6 statistically significant predictors showed an average error of 11.39 % (13.70 % for women, 9.81 % for men). The predictive power of the model was 12.13 % (11.73 % for women, 10.35 % for men). The age prediction was less accurate, with a maximum error of 10.00 % achieved only in the case of 65.04 % of subjects.
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 | 0,004 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».