Épuration de données et régression linéaire | Data Cleaning and Linear Regression
Notice bibliographique
Résumé
Ce tutoriel est conçu pour optimiser la préparation des données pour l'apprentissage automatique, avec un focus spécifique sur la prédiction des schémas de circulation des vélos en fonction des conditions météorologiques. Il comprend un résumé des objectifs d'apprentissage, une section spécifique qui décrit les exigences nécessaires pour compléter le tutoriel, et une section sur les pratiques recommandées pour la gestion des données de recherche (GDR). Le tutoriel utilise la régression linéaire, un modèle d'apprentissage automatique simple, pour faire des prédictions basées sur les données d'entrée. Les données proviennent des données de comptage des vélos d'Ottawa et des données météorologiques historiques. This tutorial is designed to optimize data preparation for machine learning, with a specific focus on predicting bike traffic patterns based on weather conditions. It includes a summary of the learning goals, a specific section that outlines the necessary requirements for completing the tutorial, and a section on the recommended practices for Research Data Management (RDM). The tutorial employs Linear Regression, a straightforward machine learning model, to make predictions based on the input data. The data is sourced from Ottawa’s bike count data and historical weather 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 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,042 | 0,030 |
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 ».