gcmodeldescription

Author: devhelpr

src/assets/synthetic-data.tsx

@@ -275,7 +275,7 @@ def run():
             },           
             {
                 'reportType': 'text',
-                'textKey': 'syntheticData.cartModelDescription' if sdgMethod == 'cart' else 'syntheticData.gaussianCopulaModelDescription',
+                'textKey': 'syntheticData.cartModelDescription' if sdgMethod == 'cart' else 'syntheticData.gcModelDescription',
                 'params': {
                     'samples': samples,
                 }

src/locales/en.ts

@@ -186,6 +186,7 @@ export const en = {
         gaussianCopulaModelTitle: '3. Method: Gaussian Copula model',
         cartModelDescription:
             'The CART (Classification and Regression Trees) method generates synthetic data by learning patterns from real data through a decision tree that splits data into homogeneous groups based on feature values. It predicts averages for numerical data and assigns the most common category for categorical data, using these predictions to create new synthetic points.\n \n {{samples}} synthetic data points are generated.',
+        gcModelDescription: `Gaussian Copula works in two main steps: 1. The real data is transformed into a uniform distribution. Correlations between variables are modeled using a multivariate normal distribution (the Gaussian copula); and 2. Synthetic data is created by sampling from this Gaussian copula and transforming the samples back to the original data distributions.\n \n {{samples}} synthetic data points are generated.`,
         evaluationOfGeneratedDataTitle:
             '4. Evaluation of generated synthetic data',
         distributionsTitle: '4.1 Distributions',

src/locales/nl.ts

@@ -188,6 +188,7 @@ export const nl = {
         gaussianCopulaModelTitle: '3. Methode: Gaussian Copula model',
         cartModelDescription:
             'De CART-methode (Classification and Regression Trees) genereert synthetische data door patronen uit echte data te leren via een beslisboom die de data opdeelt in homogene groepen op basis van kenmerken. Voor numerieke data voorspelt de methode gemiddelden en voor categorische data wijst het de meest voorkomende categorie toe. Deze voorspellingen worden vervolgens gebruikt om synthetische datapunten te creëren.\n \n {{samples}} synthetische datapunten zijn gegenereerd.',
+        gcModelDescription: `Gaussian Copula werkt in twee stappen: 1. De echte data worden getransformeerd naar een uniforme verdeling. Correlaties tussen variabelen worden gemodelleerd met een multivariate normale verdeling (de Gaussian copula); en 2. Synthetische data worden gegenereerd door te sampelen uit deze copula en de samples terug te transformeren naar de oorspronkelijke verdelingen.\n \n {{samples}} synthetische datapunten zijn gegenereerd.`,
         evaluationOfGeneratedDataTitle:
             '4. Evaluatie van gegenereerde synthetische data',
         distributionsTitle: '4.1 Distributies',