基于公共数据的机器学习分析——基础篇

描述

基于公共数据的机器学习分析：基础篇

基于开放数据构建的完整机器学习分析，涵盖从数据采集到结果解读的各个环节，专为没有自有数据集的研究人员打造。四周内交付。

阻碍公共数据机器学习研究的问题

• 您找不到该数据集。 公共指标出现在世界银行、国际货币基金组织和各国机构的门户网站上，具有不同的代码、年份和国家名称。
• 悄无声息地破裂的合并。 国家名称不匹配、年份缺失和单位不一致等问题会在建模开始前损坏面板。
• 没人能解释的模型。 如果审稿人询问哪些变量比较重要，那么仅凭随机森林或 XGBoost 的结果而没有解释是无法令人满意的。
• 未经验证的分数。 只报告一次训练集/测试集划分，而不是交叉验证和模型比较，会使性能声明显得不够有力。
• 你无法复现这个分析结果。 如果没有文档化的源代码和代码，包括你在内的任何人都无法在以后重新运行它。

包括什么

• 公开数据来源包括世界银行、国际货币基金组织、国家统计局或类似的开放数据库。
• 数据清洗和变量构建
• 多算法建模：回归、随机森林、XGBoost 等（视情况而定）。
• 交叉验证和模型比较
• SHAP可解释性分析
• 结果可视化
• 数据源和提取文档
• 模型性能对比图和SHAP重要性图
• 完整分析报告
• R/Python 分析代码

最适合

• 没有自己主要数据集的研究人员
• 可由公共指标回答的预测或分类问题
• 经济学、政策和社会科学应用

时间线

标准配送：3周。

比较这两个层级

不同层级在数据构建、算法比较、交付时间和价格方面有所不同。请比较基础层级和标准层级。

Editverse 与典型的分析服务相比

只有能够验证机器学习结果，这些结果才有用。两个版本都提供了相应的文档。

它是如何运行的？

1. 简短的。 请描述您的问题和结果变量。
2. 源。 我们识别并记录公共数据集。
3. 模型。 清洗、变量构建、建模和交叉验证。
4. 解释。 SHAP分析及结果可视化。
5. 交付。 您将收到报告、图表和 R/Python 代码。

我们的道德承诺

我们使用公开数据分析您的问题。我们不会篡改原始数据，也不会为了迎合某种结论而调整结果。作者署名、伦理审批和数据管理均遵循COPE、ICMJE以及您所在机构和国家的相关政策，并由您负责。

先问个问题？

不确定哪个级别适合您？请在我们的联系页面描述您的问题，我们会为您推荐合适的级别。