Peeking Through the Windows: Hyperparameters, Administrative Data, and Selective Windowing
Notice bibliographique
Résumé
With the growth of administrative data due to increased storage and digitization, there is a need for effective ways to process and analyze this information. This study examines the time-based nature of such data and suggests that choosing the right time window size is crucial and should be adjusted like other parameters in machine learning models. Additionally, an algorithm called the Time series Analysis to Investigate Binning (TAIB) algorithm is introduced. This algorithm determines which parts of the data might benefit from being examined in different time chunks, aiming to optimize the use of time-based data in machine learning. Two main datasets were utilized: one from The Calgary Drop-In and Rehab Centre (DI), covering 1991-2020, to categorize shelter users by their usage patterns; and the MIMIC III (Medical Information Mart for Intensive Care III) database, which provides details on ICU stays from 2001-2012, to predict the duration of a patient's stay. Both datasets were transformed into temporal matrices. Using the TAIB algorithm, the optimal features for time-based analysis were identified, leading to the creation of groups of feature sets for various time lengths. For testing, primary reliance was on basic implementations of several machine learning models. Preference was given to deep learning models due to their superior capability in managing vast data. Three experiments were conducted, modifying the model’s complexity, the features employed, and the type of model. The findings suggest that treating windowing as a hyperparameter improves the performance of machine learning models. Moreover, employing feature matrices offers an efficient alternative to using timesteps in environments constrained by system resources, simplifying the process of handling time-based data.
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 | 0,010 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».