MétaCan
Menu
Retour à la cohorte
Enregistrement W6930940673 · doi:10.5281/zenodo.3990008

Ouranosinc/xclim: v0.19.0

2020· other· en· W6930940673 sur OpenAlexaff

Notice bibliographique

RevueZenodo (CERN European Organization for Nuclear Research) · 2020
Typeother
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMachine Learning in Bioinformatics
Établissements canadiensOuranos
Organismes subventionnairesnon disponible
Mots-clésCode refactoringClass (philosophy)MetadataObject (grammar)Key (lock)Variable (mathematics)Order (exchange)Set (abstract data type)Relation (database)Dimension (graph theory)

Résumé

récupéré en direct d'OpenAlex

Breaking changes Refactoring of the Indicator class. The cfprobe method has been renamed to cfcheck and the validate method has been renamed to datacheck. More importantly, instantiating Indicator creates a new subclass on the fly and stores it in a registry, allowing users to subclass existing indicators easily. The algorithm for missing values is identified by its registered name, e.g. "any", "pct", etc, along with its missing_options. xclim now requires xarray >= 0.16, ensuring that xclim.sdba is fully functional. The dev requirements now include xdoctest -- a rewrite of the standard library module, doctest. xclim.core.locales.get_local_attrs now uses the indicator's class name instead of the indicator itself and no longer accepts the fill_missing keyword. Behaviour is now the same as passing False. Indicator.cf_attrs is now a list of dictionaries. Indicator.json puts all the metadata attributes in the key "outputs" (a list of dicts). All variable metadata (names in Indicator._cf_names) might be strings or lists of strings when accessed as object attributes. Passing doctests are now strictly enforced as a build requirement in the Travis CI testing ensemble. New features and enhancements New ensembles.kkz_reduce_ensemble method to select subsets of an ensemble based on the KKZ algorithm. Create new Indicator Daily, Daily2D subclasses for indicators using daily input data. The Indicator class now supports outputing multiple indices for the same inputs. xclim.core.units.declare_units now works with indices outputting multiple DataArrays. Doctests now make use of the xdoctest_namespace in order to more easily access mdoules and tesdata. Bug fixes Fix generic.fit dimension ordering. This caused errors when "time" was not the first dimension in a DataArray. Internal changes datachecks.check_daily now uses xr.infer_freq. Indicator subclasses Tas, Tasmin, Tasmax, Pr and Streamflow now inherit from Daily. Indicator subclasses TasminTasmax and PrTas now inherit from Daily2D. Docstring style now enforced using the pydocstyle with numpy doctsring conventions. Doctests are now performed for all docstring Examples using xdoctest. Failing examples must be explicitly skipped otherwise build will now fail. Indicator methods update_attrs and format are now classmethods, attrs to update must be passed. Indicators definitions without an accompanying translation (presently French) will cause build failures. Major refactoring of the internal marchinery of Indicator to support multiple outputs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Logiciel · Signal consensuel: Logiciel
Score de désaccord entre enseignants0,187
Score d'incertitude au seuil0,625

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,009
Méta-épidémiologie (sens strict)0,0040,003
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,002
Communication savante0,0040,005
Science ouverte0,0080,005
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,1870,211

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,248
Écart entre enseignants0,229 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreLogiciel

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueZenodo (CERN European Organization for Nuclear Research)Même sujetMachine Learning in BioinformaticsTravaux en français237 207