Journal of Data Science and Modeling

Journal of Data Science and Modeling در چارچوب علم داده، آمار و مدل‌سازی قابل بررسی است. مسئله مرکزی این صفحه توسعه و ارزیابی روش‌های آماری و محاسباتی برای پیش‌بینی و تصمیم‌گیری از داده‌های پیچیده است و راهنمای حاضر کمک می‌کند نویسنده میان دامنه موضوع، ابزار تحلیل و قدرت شواهد تناسب برقرار کند. برای این نشریه، مقاله‌ای که فقط چند مفهوم مرتبط را کنار هم قرار دهد کافی نیست؛ رابطه میان عدم‌قطعیت پیش‌بینی و داده‌های وابسته باید در سؤال، روش و نتیجه قابل پیگیری باشد.

مرزبندی موضوع و واحد تحلیل

در علم داده، آمار و مدل‌سازی، تعیین واحد تحلیل پیش از گردآوری داده اهمیت دارد. انتخاب متغیر و کاهش بعد ممکن است در سطحی متفاوت از ترکیب آمار و یادگیری ماشین رخ دهد و ترکیب آن‌ها بدون توضیح، نتیجه را مبهم می‌کند. انتخاب شبیه‌سازی مونت‌کارلو باید به سطحی متصل باشد که واقعاً سنجیده می‌شود.

برای مطالعه مدل‌های پیش‌بینی پُربعد بهتر است زمینه، دوره و معیار خروجی مشخص شوند. مخاطبانی مانند آماردانان، دانشمندان داده و پژوهشگران مدل‌سازی زمانی می‌توانند نتیجه را ارزیابی کنند که بدانند نمونه چگونه انتخاب شده و کدام بخش از توسعه و ارزیابی روش‌های آماری و محاسباتی برای پیش‌بینی و تصمیم‌گیری از داده‌های پیچیده خارج از دامنه مقاله باقی مانده است.

پرسش پژوهش و شکاف دانشی

شکاف علمی در این قلمرو می‌تواند از اختلاف شواهد درباره انتخاب متغیر و کاهش بعد، ضعف اندازه‌گیری کالیبراسیون مدل یا نبود مقایسه معتبر برای مدل‌های پیش‌بینی پُربعد ناشی شود. شش مسیر زیر نشان می‌دهند چگونه عنوان‌های کلی به پرسش‌های محدودتر تبدیل می‌شوند.

اگر محور مقاله مدل‌های پیش‌بینی پُربعد است، باید مشخص شود داده مربوط به عدم‌قطعیت پیش‌بینی چگونه به استنتاج درباره داده‌های وابسته متصل می‌شود. مدل‌سازی آماری برای تولید شواهد مستقیم و شبیه‌سازی مونت‌کارلو برای پشتیبانی تکمیلی مناسب است. نبود این اتصال، نتیجه را به مجموعه‌ای از یافته‌های مستقل تبدیل می‌کند.

اگر محور مقاله عدم‌قطعیت پیش‌بینی است، باید مشخص شود داده مربوط به انتخاب متغیر و کاهش بعد چگونه به استنتاج درباره کالیبراسیون مدل متصل می‌شود. یادگیری ماشین برای تولید شواهد مستقیم و اعتبارسنجی متقاطع برای پشتیبانی تکمیلی مناسب است. نبود این اتصال، نتیجه را به مجموعه‌ای از یافته‌های مستقل تبدیل می‌کند.

اگر محور مقاله انتخاب متغیر و کاهش بعد است، باید مشخص شود داده مربوط به داده‌های وابسته چگونه به استنتاج درباره ترکیب آمار و یادگیری ماشین متصل می‌شود. شبیه‌سازی مونت‌کارلو برای تولید شواهد مستقیم و روش بیزی برای پشتیبانی تکمیلی مناسب است. نبود این اتصال، نتیجه را به مجموعه‌ای از یافته‌های مستقل تبدیل می‌کند.

اگر محور مقاله داده‌های وابسته است، باید مشخص شود داده مربوط به کالیبراسیون مدل چگونه به استنتاج درباره مدل‌های پیش‌بینی پُربعد متصل می‌شود. اعتبارسنجی متقاطع برای تولید شواهد مستقیم و بهینه‌سازی محاسباتی برای پشتیبانی تکمیلی مناسب است. نبود این اتصال، نتیجه را به مجموعه‌ای از یافته‌های مستقل تبدیل می‌کند.

اگر محور مقاله کالیبراسیون مدل است، باید مشخص شود داده مربوط به ترکیب آمار و یادگیری ماشین چگونه به استنتاج درباره عدم‌قطعیت پیش‌بینی متصل می‌شود. روش بیزی برای تولید شواهد مستقیم و مدل‌سازی آماری برای پشتیبانی تکمیلی مناسب است. نبود این اتصال، نتیجه را به مجموعه‌ای از یافته‌های مستقل تبدیل می‌کند.

اگر محور مقاله ترکیب آمار و یادگیری ماشین است، باید مشخص شود داده مربوط به مدل‌های پیش‌بینی پُربعد چگونه به استنتاج درباره انتخاب متغیر و کاهش بعد متصل می‌شود. بهینه‌سازی محاسباتی برای تولید شواهد مستقیم و یادگیری ماشین برای پشتیبانی تکمیلی مناسب است. نبود این اتصال، نتیجه را به مجموعه‌ای از یافته‌های مستقل تبدیل می‌کند.

از طراحی مطالعه تا تحلیل

روش‌شناسی باید برای محور عدم‌قطعیت پیش‌بینی پاسخ مستقیم تولید کند و در عین حال محدودیت‌های مربوط به ترکیب آمار و یادگیری ماشین را پنهان نکند. روش‌های زیر نقش‌های متفاوت دارند و نباید صرفاً برای افزایش تنوع تحلیل کنار هم قرار گیرند.

• مدل‌سازی آماری — در تحلیل مدل‌های پیش‌بینی پُربعد نیازمند توضیح مراحل بازتولیدپذیر است؛ برای انتخاب متغیر و کاهش بعد نیز باید روشن شود آیا همان روش واقعاً پاسخ مستقیم فراهم می‌کند.
• یادگیری ماشین — در تحلیل عدم‌قطعیت پیش‌بینی نیازمند توضیح مراحل بازتولیدپذیر است؛ برای داده‌های وابسته نیز باید روشن شود آیا همان روش واقعاً پاسخ مستقیم فراهم می‌کند.
• شبیه‌سازی مونت‌کارلو — در تحلیل انتخاب متغیر و کاهش بعد نیازمند توضیح مراحل بازتولیدپذیر است؛ برای کالیبراسیون مدل نیز باید روشن شود آیا همان روش واقعاً پاسخ مستقیم فراهم می‌کند.
• اعتبارسنجی متقاطع — در تحلیل داده‌های وابسته نیازمند توضیح مراحل بازتولیدپذیر است؛ برای ترکیب آمار و یادگیری ماشین نیز باید روشن شود آیا همان روش واقعاً پاسخ مستقیم فراهم می‌کند.
• روش بیزی — در تحلیل کالیبراسیون مدل نیازمند توضیح مراحل بازتولیدپذیر است؛ برای مدل‌های پیش‌بینی پُربعد نیز باید روشن شود آیا همان روش واقعاً پاسخ مستقیم فراهم می‌کند.
• بهینه‌سازی محاسباتی — در تحلیل ترکیب آمار و یادگیری ماشین نیازمند توضیح مراحل بازتولیدپذیر است؛ برای عدم‌قطعیت پیش‌بینی نیز باید روشن شود آیا همان روش واقعاً پاسخ مستقیم فراهم می‌کند.

اگر دو یا چند روش ترکیب می‌شوند، بهتر است هر روش به یکی از پرسش‌های اصلی متصل شود. برای مثال، شبیه‌سازی مونت‌کارلو می‌تواند پاسخ مستقلی برای انتخاب متغیر و کاهش بعد ایجاد کند و مدل‌سازی آماری برای بررسی پایداری یا تبیین مکمل به کار رود.

اعتبار داده و شفافیت گزارش

داده مناسب برای این قلمرو می‌تواند شامل داده واقعی و شبیه‌سازی‌شده، معیار خطا و کالیبراسیون، توزیع پسین، تحلیل حساسیت و کد تکرارپذیر باشد. برای تحلیل داده‌های وابسته، منبع داده، زمان ثبت، شیوه نمونه‌گیری و واحد اندازه‌گیری باید روشن باشند. اگر داده از چند منبع ترکیب شده است، تعریف متغیر مرتبط با ترکیب آمار و یادگیری ماشین در همه منابع باید یکسان یا قابل تبدیل باشد.

ریسک مهم در این حوزه انتخاب مدل با یک معیار، نشت داده میان آموزش و آزمون و گزارش عملکرد بدون عدم‌قطعیت است. نویسنده می‌تواند با استفاده از روش بیزی برای آزمون حساسیت، مقایسه منبع مستقل یا تحلیل شرایط جایگزین، نشان دهد نتیجه درباره کالیبراسیون مدل تا چه حد پایدار است. ثبت داده حذف‌شده و تصمیم‌های تحلیلی نیز برای بازبینی ضروری است.

موضوعات پیشنهادی متناسب با این حوزه

محورهای زیر با دامنه Journal of Data Science and Modeling هم‌راستا هستند؛ هر مورد باید با زمینه واقعی پژوهش محدود شود.

• Statistical Modeling — می‌توان آن را به پرسشی درباره تغییر مدل‌های پیش‌بینی پُربعد در شرایط مرتبط با انتخاب متغیر و کاهش بعد تبدیل کرد و مدل‌سازی آماری را برای آزمون فرض اصلی به کار گرفت.
• Predictive Data Science — می‌توان آن را به پرسشی درباره تغییر عدم‌قطعیت پیش‌بینی در شرایط مرتبط با داده‌های وابسته تبدیل کرد و یادگیری ماشین را برای آزمون فرض اصلی به کار گرفت.
• Bayesian Methods — می‌توان آن را به پرسشی درباره تغییر انتخاب متغیر و کاهش بعد در شرایط مرتبط با کالیبراسیون مدل تبدیل کرد و شبیه‌سازی مونت‌کارلو را برای آزمون فرض اصلی به کار گرفت.
• High-Dimensional Data — می‌توان آن را به پرسشی درباره تغییر داده‌های وابسته در شرایط مرتبط با ترکیب آمار و یادگیری ماشین تبدیل کرد و اعتبارسنجی متقاطع را برای آزمون فرض اصلی به کار گرفت.
• Model Validation and Calibration — می‌توان آن را به پرسشی درباره تغییر کالیبراسیون مدل در شرایط مرتبط با مدل‌های پیش‌بینی پُربعد تبدیل کرد و روش بیزی را برای آزمون فرض اصلی به کار گرفت.
• Statistical Machine Learning — می‌توان آن را به پرسشی درباره تغییر ترکیب آمار و یادگیری ماشین در شرایط مرتبط با عدم‌قطعیت پیش‌بینی تبدیل کرد و بهینه‌سازی محاسباتی را برای آزمون فرض اصلی به کار گرفت.

میان Predictive Data Science و Model Validation and Calibration تنها زمانی پیوند ایجاد شود که برای هر دو محور داده و استدلال مستقل وجود داشته باشد. این انتخاب از تبدیل مقاله به مجموعه‌ای از موضوعات بدون اتصال جلوگیری می‌کند.

پیوند نظریه، روش و یافته

بخش بحث برای کالیبراسیون مدل باید میان مشاهده مستقیم، تبیین نظری و پیشنهاد کاربردی فاصله روشن ایجاد کند. شواهد حاصل از مدل‌سازی آماری ممکن است مشاهده را پشتیبانی کنند، اما برای توصیه درباره عدم‌قطعیت پیش‌بینی به سطح دیگری از شواهد نیاز باشد.

برای آماردانان، دانشمندان داده و پژوهشگران مدل‌سازی، بخش بحث زمانی ارزشمند است که نشان دهد یافته‌های مربوط به عدم‌قطعیت پیش‌بینی در چه شرایطی تغییر می‌کنند و کدام نتیجه به زمینه وابسته است. توصیه عملی باید مستقیماً از داده همان مطالعه ناشی شود و هر مسیر آینده به عنوان فرضیه یا نیاز پژوهشی معرفی گردد.

مقایسه با نشریات هم‌خانواده

برای مقایسه گزینه‌های نزدیک، Journal of Statistical Research of Iran را می‌توان از منظر مدل‌های پیش‌بینی پُربعد بررسی کرد. Journal of the Iranian Statistical Society به عدم‌قطعیت پیش‌بینی نزدیک‌تر است و Journal of Statistical Modelling: Theory and Applications امکان مقایسه با انتخاب متغیر و کاهش بعد را فراهم می‌کند.

در ادامه، Analytical and Numerical Solutions for Nonlinear Equations برای مقاله‌هایی که بر داده‌های وابسته تأکید دارند و Caspian Journal of Mathematical Sciences برای مسیر مرتبط با کالیبراسیون مدل قابل بررسی‌اند. این پیوندها به معنی یکسان بودن کامل دامنه‌ها نیستند؛ انتخاب نهایی باید با نقش ترکیب آمار و یادگیری ماشین و روش اصلی بهینه‌سازی محاسباتی در مقاله هماهنگ باشد.

کنترل نهایی پیش از ارسال مقاله

آخرین کنترل مقاله بهتر است از تطبیق سؤال داده‌های وابسته با داده حاصل از اعتبارسنجی متقاطع آغاز شود. در مقدمه، شکاف مربوط به داده‌های وابسته باید از مقایسه منابع شکل بگیرد و در نتایج، تحلیل اصلی از آزمون‌های اکتشافی جدا شود.

جدول، شکل، فرمول یا خروجی مرتبط با انتخاب متغیر و کاهش بعد باید نقشی مستقل داشته باشد و فقط تکرار متن نباشد. محدودیت مربوط به انتخاب مدل با یک معیار، نشت داده میان آموزش و آزمون و گزارش عملکرد بدون عدم‌قطعیت بهتر است کنار همان نتیجه‌ای گزارش شود که تحت تأثیر آن قرار می‌گیرد.

در پایان باید بتوان مسیر عدم‌قطعیت پیش‌بینی ← یادگیری ماشین ← شواهد ← نتیجه را بدون ابهام دنبال کرد. اگر مدل‌های پیش‌بینی پُربعد فقط در عنوان یا نتیجه‌گیری آمده و در داده یا روش بازتابی ندارد، حذف یا بازتعریف آن انسجام علمی مقاله را افزایش می‌دهد.