論文の概要: EasyClassifier: Honest, Reproducible Machine-Learning Classification for Researchers Who Do Not Program

• arxiv url: http://arxiv.org/abs/2610.04758v1
• Date: Sat, 03 Oct 2026 20:53:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 17:06:46.111184
• Title: EasyClassifier: Honest, Reproducible Machine-Learning Classification for Researchers Who Do Not Program
• Title（参考訳）: Easy Classifier:プログラミングをしない研究者のための、誠実で再現可能な機械学習分類
• Abstract要約: オープンソースのPythonパッケージであるEasyClassifierは、ユーザがCSVやExcelファイルから、平易で複数選択の質問を連続して、完了した分析にガイドする。 EasyClassifierはMITライセンス下で、PyPI(pip install easyclassifier)、GitHub、Zenodoから利用できる。
• 参考スコア（独自算出の注目度）: 0.24554686192257416
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine-learning classification is now used across medicine, the social sciences, economics, education and engineering, very often by researchers who do not program. Two errors recur in such work: preprocessing learned on all rows before cross-validation (data leakage), and reporting the cross-validation score of the classifier that won a comparison (selection bias). Both make published scores optimistic. We present EasyClassifier, an open-source Python package that guides a user from a CSV or Excel file to a finished analysis through a sequence of plain-language, multiple-choice questions, with no code. It makes the correct procedure the default rather than an option: every preprocessing step is learned inside each training fold; the selected classifier receives a separate final score from nested cross-validation (up to 2,000 rows), or an untouched 20% test set; classifiers run with fixed default parameters and fixed random seeds; and every run writes a report with a ready-to-adapt Methods paragraph, the references to cite, and figures prepared for publication. On ten public datasets from seven fields and a random-label control, split in half so that one half served as an untouched external test, the common practice overstated balanced accuracy by 2.9 percentage points on average (up to 9.9 on small data), whereas the score EasyClassifier reports had a mean signed bias of +0.7 points and a mean absolute error of 2.3 points (one-sided Wilcoxon p = 3.2 x 10^{-4}, 30 runs). On random labels it reported 48.8% balanced accuracy against a chance level of 50%. EasyClassifier is available under the MIT license from PyPI (pip install easyclassifier), GitHub, and Zenodo.
• Abstract（参考訳）: 機械学習の分類は現在、医学、社会科学、経済学、教育、工学で使われている。 2つのエラーは、クロスバリデーション(データ漏洩)の前にすべての行で学習した前処理と、比較(選択バイアス)を得た分類器のクロスバリデーションスコアの報告である。 両者とも楽観的である。 我々はオープンソースのPythonパッケージであるEasyClassifierを紹介し、CSVやExcelファイルから、コードを使わずに、平易な複数の質問のシーケンスを通じて、ユーザを最終分析に導く。 選択された分類器は、ネストされたクロスバリデーション(最大2,000行まで)から別の最終スコアを受け取り、20%のテストセット、固定されたデフォルトパラメータと固定されたランダムなシードで実行される分類器、各実行は、準備の整ったメソッドの段落、引用への参照、出版のために準備された図形でレポートを書く。 7つのフィールドからの10の公開データセットとランダムラベルコントロールでは、半分がタッチされていない外部テストとして機能するため、一般的なプラクティスは平均で2.9ポイント(小さなデータでは9.9ポイント)のバランスを保ったが、スコアEasyClassifierのレポートでは、平均符号バイアスは+0.7ポイント、平均絶対誤差は2.3ポイント(一方のウィルコクソンp = 3.2 x 10^{-4, 30ラン)であった。 ランダムラベルでは48.8%の精度で50%の確率でバランスが取れた。 EasyClassifierはMITライセンス下で、PyPI(pip install easyclassifier)、GitHub、Zenodoから利用できる。

関連論文リスト

• Discrete Diffusion Language Models Are Training-Free Multi-Label Classifiers [1.3406606730449597]
  マルチラベルテキスト分類のための個別マスク付き拡散言語モデルを用いた訓練不要なdLLM-SetScoreを提案する。 各候補ラベルについて、短いイエス/ノー質問を行い、2つの回答トークンの確率を1つのマスクされた位置で比較する。
  論文  参考訳（メタデータ） (2026-07-30T15:21:02Z)
• evalci: A Python Library for Statistically Rigorous Comparison of Language Model Evaluations [0.5729426778193397]
  言語モデル評価における支配的な実践は、モデル毎に1つの精度番号を報告し、より高い精度を宣言することである。 evalciは純粋Pythonライブラリで、結果テーブルを発行可能なクレームに変換する。
  論文  参考訳（メタデータ） (2026-07-05T17:48:22Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• Evaluating multiple models using labeled and unlabeled data [11.211866651344534]
  Semi-Supervised Model Evaluation (SSME) は、ラベル付きデータとラベルなしデータの両方を用いて機械学習分類器を評価する手法である。 本研究では,(1)医療,(2)コンテンツモデレーション,(3)分子特性予測,(4)画像アノテーションの4つの領域において,ラベル付きデータセットの取得が非現実的であることを示す。 その結果,SSMEは競合する手法よりも精度が高く,ラベル付きデータのみを用いた場合に比べて誤差が5.1倍,競合する手法では2.4倍減少することがわかった。
  論文  参考訳（メタデータ） (2025-01-21T03:47:37Z)
• Probably Approximately Precision and Recall Learning [60.00180898830079]
  機械学習における重要な課題は、一方的なフィードバックの頻度である。 本稿では,確率的近似(PAC)フレームワークを導入し,各入力をラベルの集合にマッピングする仮説を定めている。 我々は、正のデータのみから学習する新しいアルゴリズムを開発し、実現可能な場合において最適なサンプル複雑性を実現する。
  論文  参考訳（メタデータ） (2024-11-20T04:21:07Z)
• Bias Mimicking: A Simple Sampling Approach for Bias Mitigation [57.17709477668213]
  本稿では,新しいクラス条件サンプリング手法であるBias Mimickingを紹介する。 Bias Mimickingは、4つのベンチマークで3%の精度でサンプリングの精度を向上する。
  論文  参考訳（メタデータ） (2022-09-30T17:33:00Z)
• Detecting Handwritten Mathematical Terms with Sensor Based Data [71.84852429039881]
  本稿では,手書きの数学的用語を自動分類する,スタビロによるUbiComp 2021チャレンジの解を提案する。 入力データセットには異なるライターのデータが含まれており、ラベル文字列は合計15の異なる文字から構成されている。
  論文  参考訳（メタデータ） (2021-09-12T19:33:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。