XiaoMi-AI文件搜索系统
World File Search System决策树
Géraldin Nanfack、Paul Temple、Benoît Frénay。学习针对领域知识约束的定制决策树。模式识别，2023 年，142，页
HAL 是一个多学科开放存取档案库，用于存放和传播科学研究文献，无论这些文献是否已出版。这些文献可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
比较基于洛拉的废物箱监测系统中知识提取模型的机器学习方法
知识提取模型（KEM）是一个系统，可通过基于IoT的智能废物箱清空调度分类来提取知识。分类是一个困难的问题，需要有效的分类方法。这项研究以KEM系统的形式做出了贡献，以使用机器学习方法的最佳性能排空废物箱的时间表。该研究旨在比较决策树，幼稚的贝叶斯，K-Nearest邻居，支持向量机和多层感知器的形式的机器学习方法的性能，这将在KEM系统中使用。使用具有十个观测值的交叉验证方法对准确性，召回，精度，F-量和ROC曲线进行了。 实验结果表明，决策树最适合准确性，召回，精度和ROC曲线。 相比之下，K-NN方法获得了最高的F量度性能。 可以实现以从其他基于物联网的系统中创建的数据集中提取知识。。实验结果表明，决策树最适合准确性，召回，精度和ROC曲线。相比之下，K-NN方法获得了最高的F量度性能。可以实现以从其他基于物联网的系统中创建的数据集中提取知识。以从其他基于物联网的系统中创建的数据集中提取知识。
使用TF-IDF技术在阿拉伯社交媒体中进行进攻性语言检测
摘要。我们的生活现在围绕社会交流，并且由于阿拉伯文本非常复杂并且包含了许多方言，因此在阿拉伯社交媒体上很难识别出令人反感的语言。本文研究了机器学习模型的实施。使用了选择的分类器，包括决策树，支持向量机，随机森林和逻辑回归。在实验中使用了包含4505个推文的“ ARCYBC”数据集，以评估机器学习模型的性能。根据实验的结果，使用更多运行可以增强机器学习模型的性能，尤其是在精度和召回率方面。随着更多的运行，决策树（DT）和随机森林（RF）分类器显示出更好的回忆和精度，但是DT分类器显示出更好的精度。
基于GPS/ ... div>的基于预测的机器学习的错误校正
摘要。精确的定位对于自动驾驶汽车的安全至关重要因素和有效导航至关重要。这项应用研究研究了机器学习模型的使用，用于估计，预测和纠正全球定位系统（GPS）/惯性测量单元（IMU）在室内和室外应用程序中的本地化。这种正在进行的开发旨在通过利用探索性数据分析（EDA）和实施诸如线性回归，随机森林回归和决策树回归器等模型来提高本地化准确性。评估是用平方误差（MSE）度量进行的，对于决策树，线性回归和随机森林模型，得出1.7069427028104143𝑒-05的值。结果表明，具有最高性能的模型是通过评估平均平方误差（MSE）值来确定的。
使用机器学习板球中的球员性能预测分析
玩家性能是比赛结果的最关键参数。根据各种参数选择一组玩家，包括一致性，形式，针对特定对手的表现，特定场地的表现，比赛的比赛，比赛类型等的压力等，都提高了球队赢得比赛的可能性。以下研究旨在根据玩家的性能参数来分析和预测玩家的性能。该问题分为两个部分，即击球表现和保龄球表现。该问题被认为是一个分类问题。跑步得分，而所采用的检票口被分类为不同的范围。天真的贝叶斯，决策树，随机森林和支撑向量机（SVM）是研究中使用的算法。随机森林和决策树几乎是相同的，因此，结果最准确。
监督机器学习算法的恒星分类
天文对象，例如恒星，类星体，银河系是研究宇宙和星系的非常重要的关键。我们都知道恒星同样发出光线和星系。这些天文对象的光具有一种辐射，称为电磁辐射。当我们拆分电磁辐射时，我们会得到光谱。光谱被定义为七种颜色的光，光谱用于识别每个恒星的化学成分和温度。每个灯光指示特定的化学元件或分子。由于每个灯光中存在的化学元件量，每个灯射线的温度变化。我们将能够使用位于墨西哥的Sloan Digital Sky Survey（SDSS）望远镜来获得该温度。由于这些光谱特征包含有关天文对象的重要信息，这对于更好地分类对象非常有用。用于处理大量数据，数据挖掘是一种常见的技术。使用了多种监督的机器学习算法，例如幼稚的贝叶斯，随机森林，决策树，决策树和多层感知器，并将结果相互比较。随机森林具有巨大的优势，例如平均许多决策树，随机森林会减少过度拟合，并且不容易受到数据中噪声和异常值的影响。与其他现有算法相比，随机森林中的准确性百分比很高。关键字：恒星光谱，天文对象，机器学习，多层感知。1。简介
http://dx.doi.org/10.18576/jsap/130308使用机器学习Azhari A. Elhag A. Elhag数学系的结核病预测和分类
摘要：结核病可能是致命的，如果没有治疗，则是一种传染病，主要影响肺部，也可能影响体内其他器官。根据世界卫生组织（WHO）的说法，结核病仅在造成的死亡人数方面仅次于Covid-19，并且是总体上第十三大死亡原因。因此，需要为结核病的发病率和分类构建预测模型，这有助于识别结核病扩散并监测结核病的各种趋势和模式的群体和地点。开发这些模型是必要的，因为它们有助于识别分散结核病的群体和位置。人工网络模型和决策树模型用于使用结核病病例数据在美利坚合众国预测和分类结核病病例。结果表明，决策树模型（DT）比人工神经网络（ANN）更准确。
与Scikit-Learn的Python中的机器学习
教学大纲简介：机器学习概念模块1。预测建模管道模块2。选择最佳模型模块3。超参数调谐模块4。线性模型模块5。决策树模型6。模型模块的合奏7。评估模型性能