7. MODELS AND RESULTSOnce our datas

7. MODELS AND RESULTSOnce our dataset is assembled, we train a variety of classification algorithms including logistic regressions, support vector machines, and random forests.Here we present the results of running a variety of models to find optimal parameters and measure the value of different kinds of features.By varying the number of years in the training period,we determined that approximately three years of training data is optimal. See Figure 10. Note that the training period determines which blood samples are seen by the model but that all training examples include spatio-temporal features that draw on the entire history (blood tests and inspections)of an address or tract.By fitting the same model on an increasing set of features we can observe the value added by those features. Figure 11 shows that as we refine the spatial scale of our featuresthe model improves dramatically, with address-level features (building age, condition, and history of lead poisoning and inspections) being especially important.We can also categorize features as they were presented in Section 5.Figure 12 shows that the spatial and spatio-temporal aggregations are very important.We use the l1-penalized (inverse regularization coefficient C = .001) logistic regression for feature selection. We examine the most important features as measured by the magnitude of their (normalized) coefficients. Figures 14 and 13 show these features having negative and positive coefficients respectively, i.e. corresponding to reduced and increasedrisk for lead poisoning, respectively.See the captions for a descriptions of the features.

結果 (繁體中文) 1:

7.模型和結果
一旦我們的數據集組裝，我們培養了多種分類算法，包括邏輯回歸，支持向量機和隨機森林。
在這裡，我們目前運行各種模型來尋找最佳參數和測量各種不同的功能價值的結果。
通過改變多年的訓練期間的數目，我們確定了大約三年操作訓練數據是最優的。
參見圖10。注意，其中血液樣品是由模型，但所有的訓練例子看到的訓練期間確定包括在整個歷史上的一個地址或道（血液測試和檢查）繪製時空特徵。
通過在一套功能增加擬合相同的模型，我們可以通過觀察這些功能的附加值。如圖11所示，當我們細化了功能空間尺度
模型顯著改善，與地址級功能（建設年齡，病情，以及鉛中毒和檢查的歷史）是特別重要的。
我們還可以群歸類功能，因為他們在第5節中提出
如圖12所示，空間和時空聚合是非常重要的。
我們使用特徵選擇的L1-懲罰（逆正規化係數C = 0.001）邏輯回歸。我們研究最重要的特點是由他們的（歸）係數的大小來測量。圖14和13分別示出具有負的和正的係數，即，對應於減少，並且增加了這些特徵
分別為風險鉛中毒。
看到標題為特徵的描述。

結果 (繁體中文) 2:

7. 模型和結果
一旦我們組裝了資料集，我們訓練各種分類演算法，包括邏輯回歸、支援向量機和隨機林。
在這裡，我們介紹運行各種模型的結果，以查找最佳參數並測量不同類型要素的值。
通過改變培訓期間的年數，我們確定大約三年的訓練資料是最佳的。
參見圖 10。請注意，訓練期間確定模型可以看到哪些血液樣本，但所有訓練示例都包括利用位址或區域的整個歷史記錄（血液測試和檢查）的時空特徵。
通過將同一模型安裝在不斷增加的功能集上，我們可以觀察到這些要素增加的價值。圖 11 顯示，當我們優化要素的空間比例時
該模型顯著改善，位址級功能（建築年齡、狀況和鉛中毒和檢查史）尤為重要。
我們還可以對功能進行分類，因為它們在第 5 節中呈現。
圖 12 顯示空間和時空聚合非常重要。
我們使用 l1 懲罰（反向正規化係數 C = .001）邏輯回歸來選擇特徵。我們檢查由其（標準化）係數的幅度測量的最重要特徵。圖14和圖13顯示這些特徵分別具有負係數和正係數，即對應減少和增加
鉛中毒風險。
有關功能的說明，請參閱標題。

結果 (繁體中文) 3:

7號。模型和結果
一旦我們的數据集被組裝，我們訓練各種分類算灋，包括邏輯回歸、支持向量機和隨機森林。
在這裡，我們展示了運行各種模型以找到最佳參數和量測不同類型特徵值的結果。
通過改變訓練期間的年數，我們確定大約三年的訓練數據是最優的。
見圖10。注意，訓練週期决定了模型可以看到哪些血樣，但所有的訓練示例都包含了時空特徵，這些特徵利用了地址或路徑的整個歷史（血液測試和檢查）。
通過在一組不斷增加的特徵上擬契约一模型，我們可以觀察到這些特徵的附加值。圖11顯示了當我們對特徵的空間尺度進行優化時
該模型顯著改進，地址級別的特徵（建築年齡、條件、鉛中毒歷史和檢查）尤其重要。
我們還可以對第5節中介紹的特徵進行分類。
圖12顯示了空間和時空聚集非常重要。
我們使用l1懲罰（逆正則化係數C=.001）logistic回歸進行特徵選擇。我們研究了最重要的特徵，通過它們（標準化）係數的大小來衡量。圖14和13分別顯示了具有負係數和正係數的這些特徵，即對應於减少和新增
分別有鉛中毒的危險。
有關功能的說明，請參見標題。