Prediction of Violence Against Women Using Ensemble Learning Models: A Comparative Study of LightGBM, XGBoost, and Others
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
Violence against women and the possibility of its occurrence among children is a very serious issue that negatively impacts the physical, psychological, and emotional aspects of the victims and those around them.Various efforts have been made to reduce violence against women and children; however, in reality, such violence still occurs significantly in many countries due to emotions and turmoil within human relationships.It is necessary to propose prediction methods so that violence can be reduced through early observation and intervention against violence experienced by women.machine learning, as one of the Artificial Intelligence algorithms, offers a solution to identify and predict the risk of violence.This study aims to explore the use of several Ensemble Learning models, such as LightGBM, XGBoost, CatBoost, and AutoEnsemble, which are expected to improve prediction accuracy and stability.This study uses a dataset consisting of 348 samples with 5 selected features that represent indicators relevant to the risk of violence against women.The test results show that XGBoost and CatBoost achieved the highest accuracy, approximately 73%, with a precision of 76%, recall of 65%, and F1-Score of 70%.TabNet demonstrated similar performance with an accuracy of 73%, but with a higher recall of 70%.Meanwhile, LightGBM showed slightly lower performance with 68% accuracy and an F1-Score of 64%.AutoEnsemble produced stable results with 73% accuracy, 76% precision, 65% recall, and 70% F1-Score.However, the practical limitation of this study lies in the relatively small dataset size, which may affect the model's generalization ability when applied to larger or more diverse features.The findings of this study indicate that Ensemble Learning models can provide accurate and effective results in predicting violence against women.It is hoped that this research can contribute to more proactive and accurate efforts to prevent violence against women in the future.
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 | 0,001 | 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) | 0,000 | 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