Enhancing Machine Learning Performance Through Quantile Binning for Resource Forecasting
Notice bibliographique
Résumé
Accurate resource yield prediction is critical for military logistics, planning, and operational readiness, yet remains challenging due to numerous influencing factors such as environmental conditions, resource quality, and logistical constraints. This study examines the effectiveness of quantile-based data binning on classical machine learning algorithms in predicting resource yields pertinent to military applications. Furthermore, the effectiveness of Backpropagation Artificial Neural Networks (BP-ANN) and Naive Bayes classifiers with regression models such as K-Nearest Neighbors (KNN), Linear Regression, and Multi-Layer Perceptron Regressors (MLPRegressor) are compared using a robust dataset representative of global resource metrics. The results indicate that binning continuous data into quartiles substantially enhances model accuracy, precision, recall, and computational efficiency. In particular, the binned data enables the BP-ANN to achieve an accuracy of approximately 90.4%, with regression models such as KNN and MLPRegressor outperforming this benchmark by attaining accuracies exceeding 93%. Additionally, binning drastically reduced hyperparameter tuning duration from around 149 minutes to less than 10 minutes, underscoring its computational efficiency advantage. Overall, this research demonstrates that quantile-based data binning is a valuable preprocessing technique that improves predictive accuracy, reduces computational cost, and enhances the reliability of classical machine learning models for military resource forecasting.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 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 ».