Εγγραφή τεκμηρίου μεθόδου

Machine Learning Conflict Prediction

Machine learning conflict prediction uses flexible supervised algorithms — random forests, gradient boosting, neural networks, regularized regression — to forecast the onset of armed conflict from large sets of features, prioritizing out-of-sample predictive accuracy over coefficient interpretation. Muchlinski, Siroky, He, and Kocher (2016) showed that random forests substantially outperform logistic regression at predicting class-imbalanced civil-war onset, catalyzing a shift in conflict research toward algorithmic prediction, rigorous out-of-sample validation, and the recognition that explanation and prediction are distinct goals.

Sources recorded, not reviewed

Εγγραφή πηγής

Οι παραπομπές αντιγράφονται αυτούσιες από την εγγραφή πηγής της μεθόδου. Δεν υπονοείται επαλήθευση σε επίπεδο ισχυρισμού από αυτές.

Machine Learning Methods for Predicting Armed Conflict

Εγγραφή ταξινομικής μεθόδου · ml-model / international-relations

Muchlinski, D., Siroky, D., He, J., & Kocher, M. (2016). Comparing random forest with logistic regression for predicting class-imbalanced civil war onset data. Political Analysis, 24(1), 87–103. · DOI 10.1093/pan/mpv024

Άνοιγμα πλήρους μεθόδου

Επιμελημένοι ισχυρισμοί

Οι ισχυρισμοί έχουν αποθηκευτεί στο καθολικό τεκμηρίων, καθένας με τη δική του αξιολόγηση.

Δεν υπάρχουν ακόμη επιμελημένοι ισχυρισμοί

Αυτή η προβολή δεν επινοεί αξιολόγηση ισχυρισμού όταν το καθολικό δεν έχει κανέναν.

Σχετικές μέθοδοι

Δημιουργούνται από τον γράφο μεθόδων και εμφανίζονται ως προτεινόμενες από μηχανή σχέσεις — δεν υπονοείται ισχυρισμός τεκμηρίου.

Same method familyConflict Forecastingmachine-suggested · Relational suggestion, not evidence.Used in the same domainDyadic Conflict Analysismachine-suggested · Relational suggestion, not evidence.See alsoLogistic Regressionmachine-suggested · Relational suggestion, not evidence.