The Effect of Ensemble Size on the Mean Squared Error and Spread–Error Relationship
Notice bibliographique
Résumé
Abstract Most ensemble verification diagnostics are sensitive to ensemble size, complicating the evaluation of a system’s underlying quality and the comparison of different ensemble systems. This study examines how the mean squared error (MSE) of the ensemble mean, and the spread–error relationship used to evaluate ensemble consistency, vary as a function of ensemble size. As the MSE of the ensemble mean (“error” in spread–error) is affected by ensemble size, but the average sample ensemble variance (“spread” in spread–error) is not, these effects must be removed from the MSE for a robust assessment of ensemble consistency. Although the dependence of these diagnostics on ensemble size has been sparsely addressed over several decades, gaps remain concerning the assumptions necessary for quantification. Evidence also suggests these effects are not widely known or fully understood. The impact of ensemble size is examined by assuming exchangeability between ensemble members, allowing us to derive the MSE and spread–error relationship (expressed as a difference) that would be obtained with an infinite-sized ensemble. Ensemble-size effects are removed from both scores by subtracting the average ensemble variance divided by the ensemble size. The unbiased MSE can be used to estimate the error reduction achievable by increasing ensemble size and allows for an “apples-to-apples” comparison of forecast error across systems. The unbiased spread–error relationship eliminates the effects of ensemble size on the original diagnostic, which, when ignored, make ensembles appear too underdispersive.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».