Metodin todisteiden tietue

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

Lähdetietue

Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.

Machine Learning Methods for Predicting Armed Conflict

Taksonominen metoditietue · 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

Avaa koko metodi

Kuratoituja väitteitä

Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.

Ei vielä kuratoituja väitteitä

Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.

Liittyvät metodit

Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.

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.