Grouping Data of Patients Who Are Conducting Drugs Abuse Rehabilitation Using The Clustering Method (Case Study: BNNK Binjai)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Rehabilitation is an appropriate alternative punishment for drug addicts. By utilizing data mining using input data in the form of rehabilitation patient data at BNNK Binjai, the data will be processed using the clustering method using the k-means algorithm. K-Means is a non-hierarchical data clustering method that seeks to partition existing data into one or more clusters or groups so that data has characteristics. Of the 20 data tested in cluster 1 there are a total of 13 data and are located in the Age group (X) which is 26-35 years old, and for the substance type group (Y) used is methamphetamine and in the Occupational group (Z), namely Self-employed. in cluster 2 there is a total of 5 data and it is located in the Age group (X) which is 26-35 years old, and for the Substance type group (Y) used is Shabu and in the Employment group (Z) namely Not Yet Working. in cluster 3 there is a total of 2 data and it is located in the Age group (X) which is 26-35 years old, and for the Substance type group (Y) used is Shabu and in the Occupational group (Z) namely Private Employees.
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.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle