Description

À partir des résultats de la pondération par entropie, du classement TOPSIS et de classificateurs ML (XGBoost, Random Forest, régression logistique, etc.), produisez un rapport complet consacré à la Méthode et aux Résultats. Interprétez correctement l’AUC en la classant selon les critères de Hosmer & Lemeshow et signalez clairement le risque de surapprentissage (overfitting) lorsque l’écart entre les performances d’entraînement et de test est important. Le Skill identifie également à l’avance au moins quatre objections fréquemment soulevées par les évaluateurs de revues (par exemple : « comment le déséquilibre des classes a-t-il été traité ? », « pourquoi aucun jeu de données de validation externe n’a-t-il été utilisé ? ») et fournit une phrase de réponse pour chacune. À qui s’adresse-t-il ? Aux chercheurs en informatique de santé, en prédiction des risques cliniques ou travaillant sur une méthodologie hybride d’aide multicritère à la décision (AMCD)-ML, qui souhaitent renforcer la solidité de leur méthode avant la soumission à une revue.