MENDETEKSI PENCILAN (OUTLIER) DALAM ANALISIS KOMPONEN UTAMA ROBUST DENGAN METODE MINIMUM COVARIANCE DETERMINANT (Studi Kasus pada Data Weather-Related Geo-Hazard Assessment Model for Railway Embankment Stability)
Notice bibliographique
Résumé
Analisis komponen utama (AKU) mempunyai kelebihan dalam pereduksian dimensi data menjadi lebih kecil. AKU dengan penaksir Maximum Likelihood Estimator (MLE) sangat sensitif terhadap pencilan khususnya jenis pencilan leverage. Penaksir yang diperoleh mempunyai sifat penaksir bias dan tak konsisten pada data yang memuat pencilan. Dengan demikian, diperlukan suatu metode yang dapat menghasilkan penaksir yang tidak terlalu dipengaruhi oleh pencilan, metode ini disebut metode robust. Salah satu metode robust yang dapat digunakan adalah Minimum Covariance Determinant (MCD). MCD adalah suatu metode untuk menaksir rata-rata dan variansi-kovariansi data dengan menggunakan sebagian data yang menghasilkan determinan matriks variansi-kovariansi terkecil. Metode MCD mempunyai sifat ke-robust-an yang baik. Untuk mengetahui metode MCD, diterapkan pada studi kasus yang berasal dari data sekunder, data ini terkait dengan uji kelayakan tanggul jalan kereta api di Canada pada tahun 2005. Berdasarkan analisis yang dilakukan dengan menggunakan software MATLAB 7.0 dihasilkan jenis-jenis pencilan leverage yaitu good leverage dan bad leverage dalam data tersebut, bad leverage diperkirakan sebagai pengamatan yang berpengaruh dalam proses konstruksi struktur tanggul kereta api. Dengan menggunakan metode MCD, banyak pengamatan yang berpengaruh dalam proses konstruksi struktur tanggul kereta api dibandingkan dengan metode MLE.
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 | 0,005 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».