XiaoMi-AI文件搜索系统
World File Search System标准差
基于追踪研究的大学生成绩预测
摘要 为了提高学生成绩，许多大学使用机器学习来分析和评估他们的数据，从而提高大学的教育质量。为了从追踪研究数据集中获得新的见解，即大学成绩与学生在商业和行业工作能力之间的相关性，作者将使用人工神经网络 (ANN) 开发一个基于追踪研究数据集预测学生成绩的模型。为了获得与标签相对应的属性，将使用 Phi 系数相关来选择具有高相关性的属性作为特征选择。作者还使用合成少数过采样技术 (SMOTE) 执行过采样方法，因为这个数据集是不平衡的，并使用 K 折交叉验证评估模型。根据 K 折交叉验证，结果表明 K = 3 的评估分数标准差较低，是分割数据集的最佳 K 候选者。所有分数评估（准确度、精确度、召回率和 F-1 分数）的平均标准差为 0.038。将 SMOTE 应用于不平衡数据集（数据分为 65 个训练数据和 35 个测试数据）后，准确率值从 0.77 提高到 0.87，提高了 10%。关键词：人工神经网络、不平衡数据集、K 折交叉验证、学生表现、追踪研究。引言
使用英国生物库孟德尔随机化研究中的遗传变异预测他汀类药物对癌症风险的影响
摘要实验室研究表明脂质具有致癌作用，而他汀类药物具有抗致癌作用。在这里，我们利用人类遗传学证据评估他汀类药物治疗对癌症风险的潜在影响。我们获得了英国生物银行 367,703 人中脂质相关基因变异与总体和 22 个部位特定癌症风险的关联。总共有 75,037 人发生过癌症。代表他汀类药物治疗的替代指标 HMGCR 基因区域的变异与总体癌症风险相关（低密度脂蛋白 [LDL] 胆固醇每降低一个标准差的优势比 [OR] 0.76，95% 置信区间 [CI] 0.65–0.88，p=0.0003），但代表替代降脂治疗靶点（ PCSK9、LDLR、NPC1L1、APOC3、LPL）的基因区域的变异则无关。基因预测的 LDL 胆固醇与总体癌症风险无关（OR 每标准差增加 1.01，95% CI 0.98–1.05，p=0.50）。我们的结果预测他汀类药物可降低癌症风险，但其他降脂治疗则不会。这表明他汀类药物通过胆固醇独立途径降低癌症风险。
工作场所空气风险认知调查的验证
试点问卷最终共纳入 15 个项目，代表三个先验领域：工作环境（ID 1-5）、工作产品使用（ID 6-9）、工作气味和污染物（ID 10-15）。分数平均值和标准差（s.d.）是根据 N=111 份完整回复计算得出的，没有任何缺失数据，采用 5 点李克特量表进行评估（1 =“无忧虑”；5 =“极度忧虑”）。
稀疏对比前 T1 映射，实现高分辨率整体
目的：开发和评估一种适用于定量高分辨率全脑动态增强磁共振成像 (DCE-MRI) 的有效对比前 T 1 映射技术。方法：考虑可变翻转角 (VFA) T 1 映射，提供 1 × 1 × 2 mm 3 分辨率，以匹配最近的高分辨率全脑 DCE-MRI 协议。七个 FA 以对数间隔排列，范围从 1.5° 到 15°。使用基于模型的重建估计 T 1 和 M 0 图。使用具有噪声模拟 3T 神经成像的解剖学逼真的脑肿瘤数字参考对象 (DRO) 和从一名健康志愿者获取的完全采样数据来评估该方法。该方法还将方法应用于来自 13 名高级别胶质瘤患者的四倍前瞻性欠采样 VFA 数据。结果：T 1 映射精度随欠采样因子 R 的增加而降低，但在临界 R 之前偏差仍然很小。在无噪声 DRO 中，白质 (WM) 中的 T 1 偏差 <25 毫秒，脑肿瘤 (BT) 中的 T 1 偏差 <11 毫秒。WM 中的 T 1 标准差 (SD) <119.5 毫秒（变异系数 [COV] ~11.0%），BT 中的 T 1 标准差 <253.2 毫秒（COV ~12.7%）。在有噪声的 DRO 中，WM 中的 T 1 偏差 <50 毫秒，BT 中的 T 1 标准差 <30 毫秒。对于 R ≤ 10，WM 中的 T 1 SD <107.1 毫秒（COV ~9.9%），BT 中的 T 1 SD <240.9 毫秒（COV ~12.1%）。在健康受试者中，R ≤ 16 时 T 1 偏差 <30 毫秒。当 R = 4 时，T 1 SD 为 171.4 毫秒（COV ~13.0%）。在前瞻性脑肿瘤研究中，T 1 值与 WM 和 BT 中的文献值一致。结论：高分辨率全脑 VFA T 1 映射在稀疏采样下是可行的，支持将其用于定量 DCE-MRI。
适用于高效热电联产系统的先进翼型
翼型内部 Ra Ra 冷却设计 喷漆后状态（微米） （微米） 基线叶片 翼展方向 5.0 + 0.6 1.4 + 0.3 弦向 5.7 + 1.7 1.5 + 0.4 基线叶片 翼展方向 3.6 + 0.8 0.8 + 0.15 弦向 3.8 + 0.6 1.0 + 0.2 NETL 双壁 翼展方向 1.1 + 0.2 1.0 + 0.3 弦向 1.1 + 0.15 0.7 + 0.3 平均值 + 2 个标准差
第一阶段研究的最新结果
基线值是筛选期间不同日期的 2 个样本和研究第 1 天给药前的 1 个样本的平均值。仅显示队列中所有患者完成的访问。虚线表示目标最小减少量。星号表示自上次 2023 年 2 月 17 日数据截取以来开始额外的持续随访。SD，标准差。本演示文稿包含尚未获得监管机构批准的试验产品的数据。
一种基于...的 DTM 误差估计新方法
摘要：我们研究的主题是基于机载激光扫描 (ALS) 得出的数字地形模型 (DTM)。本文基于常用的统计数据分析了 DTM 的垂直精度，即平均误差和标准差，假设误差呈正态 (高斯) 分布。还测试了另一种方法，即所谓的稳健方法 (Höhle, Höhle 2009)，其中中位数代替平均误差，标准化中位数绝对偏差 (NMAD) 代替标准差。本文提出了一种基于拉普拉斯函数的替代方法来描述概率密度函数，其中提出了拉普拉斯函数的参数用于 DTM 误差估计。测试区域位于意大利伊斯普拉联合研究中心附近； 2005 年收集了覆盖测试区域的原始 ALS 数据，并对其进行了处理以生成 DTM。精度分析基于 DTM 与原始 ALS 数据和现场高度测量的比较。从 ALS 数据计算出的 DTM 误差分布明显不正常，证实了文献中报告的其他结果。高斯分布函数大大高估了垂直 DTM 误差；然而，稳健方法低估了它们。拉普拉斯函数与误差直方图的匹配度最高，从该函数得出的精度参数可以被视为 DTM 精度评估的替代方法。1.简介
使用新型 Bonobo 优化器对离网混合可再生能源系统进行技术和经济评估
摘要：本研究采用一种新颖的 bonobo 优化器 (BO) 技术来寻找离网混合可再生能源系统 (HRES) 的最佳设计，该系统包含柴油发电机、光伏 (PV)、风力涡轮机 (WT) 和电池作为存储系统。拟议的 HRES 旨在为沙特阿拉伯北部偏远地区提供电力，其基础是年度系统成本 (ASC) 最小化和电力系统可靠性增强。为了区分和评估性能，将 BO 与四种最近的元启发式算法进行了比较，这四种算法称为大爆炸大收缩 (BBBC)、乌鸦搜索 (CS)、遗传算法 (GA) 和蝴蝶优化算法 (BOA)，以根据捕获的最优和最差解决方案、平均值、收敛速度和标准差为拟议的离网 HRES 找到最佳设计。所得结果显示，与其他四种元启发式算法相比，BO 算法更为有效，它以最低的 ASC（149,977.2 美元）、快速的收敛时间和更少的振荡实现了所提出的离网 HRES 的最优解，其次是 BOA（150,236.4 美元）。BBBC 和 GA 算法都无法捕捉到全局解，并且收敛时间较长。此外，它们具有较高的标准差，这表明它们的解决方案更加分散，振荡明显。这些模拟结果证明了与其他四种元启发式算法相比，BO 算法的优势。
Dana Unconstrained 股权策略 PORTFOLIO ...
扣除所有交易费用后。扣除费用后的收益是通过从每月扣除费用后的收益中扣除 Dana 的实际投资管理费来计算的。Dana 当前的标准年度无约束股权费用表为前 1000 万美元收取 0.75%，接下来的 1500 万美元收取 0.65%，此后收取 0.50%；但是，Dana 的投资管理费可能会根据客户账户的规模、组成和服务需求的差异而有所不同。综合投资组合中有一个不收费的投资组合，截至 2019 年 12 月 31 日占综合资产总额的 4.05%，截至 2020 年 12 月 31 日占 2.48%，截至 2021 年 12 月 31 日占 1.29%，截至 2022 年 12 月 31 日占 1.39%，截至 2023 年 12 月 31 日占 0.87%。可根据要求提供投资组合估值、业绩计算和合规报告准备政策。• 标准差：36 个月年化标准差衡量每月扣除费用后的综合收益和该期间基准月度收益的波动性。
具有数据分析、机器学习、深度学习...
平均值、中位数和众数 数据变异性：范围、四分位数、IQR、计算百分位数 方差、标准差、统计摘要 分布类型 – 正态分布、二项分布、泊松分布 概率分布、偏度、异常值 数据分布，68–95–99.7 规则（经验规则） 描述统计和推断统计 统计术语和定义、数据类型 数据测量尺度、标准化 距离测量、欧几里得距离 概率计算 – 独立和因果 假设检验、方差分析 数据可视化：