Description

Produit un rapport complet Méthodes + Résultats à partir des résultats de votre pondération par entropie, de votre classement TOPSIS et de votre classifieur ML (XGBoost, Random Forest, régression logistique, etc.). Interprète correctement l’AUC selon les critères de Hosmer & Lemeshow et, si l’écart de performance entre l’entraînement et le test est important, indique explicitement le risque de surapprentissage. Repère également à l’avance au moins 4 objections fréquemment soulevées par les évaluateurs de revues (par exemple : « comment le déséquilibre des classes a-t-il été traité ? » ou « aucun jeu de validation externe n’a été utilisé ») et propose une phrase de réponse pour chacune. Convient aux chercheurs en informatique de santé, en prédiction des risques cliniques ou en méthodologie hybride MCDM-ML qui souhaitent renforcer la robustesse méthodologique avant une soumission à une revue.