公開データに対する機械学習分析 – 基本編

詳細説明

公開データに対する機械学習分析：基礎

独自のデータセットを持たない研究者向けに、オープンデータに基づいた機械学習分析を、データの収集から解釈まで、3週間で提供します。

公開データを用いた機械学習研究を阻害する問題点

• データセットが見つかりません。 公的指標は、世界銀行、IMF、各国の機関のポータルサイトに、それぞれ異なるコード、年、国名で掲載されている。
• 静かに崩壊していく合併。 国名の不一致、年号の欠落、単位の不一致などが、モデリング開始前にパネルデータを破損させてしまう。
• 誰も説明できないモデル。 解釈のないランダムフォレストやXGBoostの結果は、どの変数が重要なのかを尋ねる査読者を満足させることはできない。
• 検証されていないスコア。 交差検証やモデル比較を行わずに、訓練データとテストデータへの分割を1回だけ報告するだけでは、性能に関する主張は説得力に欠ける。
• その分析結果は再現できません。 文書化されたソースコードがなければ、あなたを含め、誰も後でそれを再実行することはできません。

含まれるもの

• 世界銀行、IMF、各国の統計機関、または同等の公開データベースからの公的データソース
• データクリーニングと変数構築
• マルチアルゴリズムモデリング：回帰、ランダムフォレスト、XGBoostなど、必要に応じて他のアルゴリズムも使用
• 交差検証とモデル比較
• SHAP解釈可能性分析
• 結果の可視化
• データソースと抽出に関するドキュメント
• モデル性能比較チャートとSHAP重要度プロット
• 完全な分析レポート
• R/Python分析コード

以下のためにベスト

• 独自の一次データセットを持たない研究者
• 公開指標から回答可能な予測または分類に関する質問
• 経済学、政策学、社会科学への応用

タイムライン

標準配送期間：3週間。

2つの階層を比較する

各プランは、データ構成、アルゴリズムの比較、配信時間、価格によって異なります。ベーシックプランとスタンダードプランの両方を比較してください。

Editverseと一般的な分析サービスとの比較

機械学習の結果は、検証可能であればこそ有用です。どちらのティアにも、検証に必要なドキュメントが含まれています。

仕組み

1. 簡単に。 あなたは質問と結果変数について説明します。
2. ソース。 私たちは公開されているデータセットを特定し、文書化します。
3. モデル。 データのクリーニング、変数の構築、モデリング、および交差検証。
4. 解釈する。 SHAP解析と結果の可視化。
5. 配信します。 レポート、グラフ、およびR/Pythonコードを受け取ります。

私たちの倫理的なコミットメント

私たちは公開データを用いてご質問を分析します。ソースデータを改変したり、結論に合うように結果を操作したりすることはありません。著者資格、倫理承認、データガバナンスは、COPE、ICMJE、および所属機関と国のポリシーに従い、すべてお客様の責任となります。

まず質問がありますか？

どのプランが自分に合っているか分からない場合は、お問い合わせページからご質問内容をご記入ください。最適なプランをご提案いたします。