Notice bibliographique
Résumé
Source codes (and data) for continuous isotope mixing model, CrisPy. MixSIAR scripts, for model comparison, are also included. For CrisPy, two test files are included, one is virtual test (CrisPy_virtual_tests) another is field test (CrisPy_Field_tests). CrisPy is written by PyMC (version 5.6.1) under Python 3.11. Installation and introduction of PyMC can be found at https://www.pymc.io/welcome.html. Other required packages including Numpy, pandas, matplotlib, pytensor, arviz, scipy, and xarray. Anaconda is strongly recommended. For different prior settings: adjust Line-17 in the source code. Important outputs: Uptake profile :y (depth vector is xy) 2.5% CI of y: mean_PDF_25 97.5% CI of y: mean_PDF_975 Uptake proportion : ycdf (depth vector is x4) SD of uptake proportion: ycdf_std Shape parameters information: summary2 Regarding MixSIAR, it is a R library and widely used for solving mixing problems. Installation and introduction can be found at https://cran.r-project.org/web/packages/MixSIAR/index.html. Two scripts are included, virtual_test and Field_test. Notes related to MixSIAR script: Set up working path in Line-17. Then, load the libraries and do the following steps to force MixSIAR output variance (or covariance) information for posterior predictive checking: Load MixSIAR (library("MixSIAR")) Run " trace("run_model", edit=TRUE) " in console In line-74 , change "jags.params <- c("p.global", "loglik")" to "jags.params <- c("p.global", "loglik", "Sigma")" for residual error structure, and save. (For residual*process, variable name is "Sigma.ind") Rerun the script. For different prior scenarios, adjust Line-19 Codes below line-95 are prior and posterior predictive checking. Outputs are named as plant_post and plant_post. Excel files can be found under the path. For any questions related to CrisPy and MixSIAR, please send an email to Han (haf033@usask.ca). Thank you for your interest!
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 | 0,000 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,210 | 0,249 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».