机器学习分类器不能提高学术预测 风险：来自澳大利亚的证据

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

摘要翻译：
机器学习方法在预测方面往往优于传统的统计模型。在学习成绩的预测方面，ML模型并没有显示出明显优于logistic回归。到目前为止，由于管理数据集的可用性，这些结果几乎完全集中在大学成绩上，并且根据ML标准包含了相对较小的样本量。在本文中，我们将流行的机器学习模型应用于一个大型数据集($n=1.2万美元），该数据集包含澳大利亚学生每年进行的标准化测试中的小学和中学表现。我们表明，机器学习模型在检测下一次考试成绩在“低于标准”范围的学生方面并没有优于逻辑回归，即使在一个大的N美元的环境中也是如此。
---
英文标题：
《Machine Learning Classifiers Do Not Improve the Prediction of Academic
  Risk: Evidence from Australia》
---
作者：
Sarah Cornell-Farrow and Robert Garrard
---
最新提交年份：
2020
---
分类信息：

一级分类：Statistics        统计学
二级分类：Machine Learning        机器学习
分类描述：Covers machine learning papers (supervised, unsupervised, semi-supervised learning, graphical models, reinforcement learning, bandits, high dimensional inference, etc.) with a statistical or theoretical grounding
覆盖机器学习论文（监督，无监督，半监督学习，图形模型，强化学习，强盗，高维推理等）与统计或理论基础
--
一级分类：Computer Science        计算机科学
二级分类：Machine Learning        机器学习
分类描述：Papers on all aspects of machine learning research (supervised, unsupervised, reinforcement learning, bandit problems, and so on) including also robustness, explanation, fairness, and methodology. cs.LG is also an appropriate primary category for applications of machine learning methods.
关于机器学习研究的所有方面的论文（有监督的，无监督的，强化学习，强盗问题，等等），包括健壮性，解释性，公平性和方法论。对于机器学习方法的应用，CS.LG也是一个合适的主要类别。
--
一级分类：Economics        经济学
二级分类：Econometrics        计量经济学
分类描述：Econometric Theory, Micro-Econometrics, Macro-Econometrics, Empirical Content of Economic Relations discovered via New Methods, Methodological Aspects of the Application of Statistical Inference to Economic Data.
计量经济学理论，微观计量经济学，宏观计量经济学，通过新方法发现的经济关系的实证内容，统计推论应用于经济数据的方法论方面。
--

---
英文摘要：
  Machine learning methods tend to outperform traditional statistical models at prediction. In the prediction of academic achievement, ML models have not shown substantial improvement over logistic regression. So far, these results have almost entirely focused on college achievement, due to the availability of administrative datasets, and have contained relatively small sample sizes by ML standards. In this article we apply popular machine learning models to a large dataset ($n=1.2$ million) containing primary and middle school performance on a standardized test given annually to Australian students. We show that machine learning models do not outperform logistic regression for detecting students who will perform in the `below standard' band of achievement upon sitting their next test, even in a large-$n$ setting.
---
PDF链接：
https://arxiv.org/pdf/1807.07215

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：澳大利亚 机器学习 分类器 econometrics Standardized test 学习 机器 可用性 regression