Methodenbewijsdossier

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

Bronrecord

Citaten letterlijk overgenomen uit het bronrecord van de methode. Hieruit wordt geen verificatie op claimniveau afgeleid.

Machine Learning Methods for Predicting Armed Conflict

Taxonomisch methodendossier · 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

Volledige methode openen

Gecureerde claims

Claims opgeslagen in het bewijsregister, elk met zijn eigen beoordeling.

Nog geen gecureerde claims

Deze weergave verzint geen claimbeoordeling als het register er geen heeft.

Gerelateerde methoden

Gegenereerd uit de methodegraaf en getoond als machinaal voorgestelde relaties — er wordt geen bewijsclaim afgeleid.

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.