Descrizione

Produce un rapporto completo di Metodi + Risultati a partire dai risultati della ponderazione Entropia, della classifica TOPSIS e dei classificatori ML (XGBoost, Random Forest, Regressione logistica, ecc.). Interpreta correttamente l'AUC secondo i criteri di Hosmer & Lemeshow e segnala chiaramente il rischio di overfitting quando la differenza tra le prestazioni su dati di addestramento e di test è elevata. Inoltre, individua in anticipo almeno 4 obiezioni frequenti dei revisori di rivista (ad es. "come è stato gestito lo sbilanciamento delle classi", "non è stato utilizzato un set di validazione esterna") e propone una frase difensiva per ciascuna. Adatto a ricercatori che lavorano nell'informatica sanitaria, nella previsione del rischio clinico o con metodologie ibride MCDA-ML, e a chi cerca solidità metodologica prima di una sottomissione a una rivista.