XiaoMi-AI文件搜索系统
World File Search System相关系数
使用混淆矩阵和Matthews相关系数评估机器学习在预测住院的Covid-19患者死亡率中的应用
在G1期有效地施用CP和Vincristine可有效杀死胰腺癌细胞（29）。环磷酰胺增加4T1细胞中的p53，p16和γ -H2AX水平，并诱导ROS产生（30）。在MDA-MB-231细胞中，与CH和DOX共同处理从G2/M停滞转变为较高的G1种群。我们的发现与Sabzichi等人的报告保持一致，这表明CH通过抑制NRF2途径来改变MCF-7细胞中的细胞周期分布来提高DOX的功效（23）。我们发现CH抑制MDA-MB-231细胞迁移并增强5-FU，DOX和CP的功效。Yang等。 报道了TNBC细胞中的CH预处理促进Yang等。报道了TNBC细胞中的CH预处理促进
由英国合作组织开发和验证的人工智能自动左心室尺寸评估
结果：在验证数据集中，AI 左室内径的精度 SD 为 3.5 毫米。具体而言，个人专家测量值与专家共识的精度 SD 为 4.4 毫米。AI 与专家共识之间的组内相关系数为 0.926（95% CI，0.904–0.944），而个人专家与专家共识之间的组内相关系数为 0.817（0.778–0.954）。对于室间隔厚度，AI 的精度 SD 为 1.8 毫米（组内相关系数，0.809；0.729–0.967），而个人的精度 SD 为 2.0 毫米（组内相关系数，0.641；0.568–0.716）。对于后壁厚度，AI 的精度 SD 为 1.4 毫米（组内相关系数，0.535 [95% CI，0.379–0.661]），而个人的精度 SD 为 2.2 毫米（0.366 [0.288–0.462]）。我们展示了所有图像和注释。这突出了具有挑战性的病例，包括图像质量差和锥形心室。
利用趋同进化获得泛癌症顺铂反应基因表达特征
CisSig 评分 IC50（连续）简单线性回归全部相关系数 0.51 CisSig 评分 IC50（连续）简单线性回归五分位数相关系数 0.74 所有基因表达 IC50（连续）弹性网线性回归全部相关系数 0.63 所有基因表达 IC50（连续）弹性网线性回归五分位数相关系数 0.79 所有基因表达 IC50（连续）L1 线性回归全部相关系数 0.63 所有基因表达 IC50（连续）L1 线性回归五分位数相关系数 0.79 所有基因表达 IC50（连续）L2 线性回归全部相关系数 0.63 所有基因表达 IC50（连续）L2 线性回归五分位数相关系数0.81 所有基因表达 IC50（二元）简单逻辑回归所有 AUC 0.79 所有基因表达 IC50（二元）简单逻辑回归五分位数 AUC 0.90 所有基因表达 IC50（二元）弹性网络逻辑回归所有 AUC 0.82 所有基因表达 IC50（二元）弹性网络逻辑回归五分位数 AUC 0.94 所有基因表达 IC50（二元）L1 逻辑回归所有 AUC 0.82 所有基因表达 IC50（二元）L1 逻辑回归五分位数 AUC 0.94 所有基因表达 IC50（二元）L2 逻辑回归所有 AUC 0.81 所有基因表达 IC50（二元）L2 逻辑回归五分位数 AUC 0.95 所有基因表达 IC50（二元）SVM（线性核）所有 AUC 0.82 所有基因表达 IC50（二元） SVM（线性核）五分位数 AUC 0.93 所有基因表达 IC50（二元）SVM（多项式核）所有 AUC 0.78 所有基因表达 IC50（二元）SVM（多项式核）五分位数 AUC 0.94 所有基因表达 IC50（二元）随机森林所有 AUC 0.81 所有基因表达 IC50（二元）随机森林五分位数 AUC 0.91
跨北极门的经向大气内部能量输送偶极子模式
4a-d) 和净通量的符号 (图 4e-f) 显示了热通量的正相关系数。对于整个对流层的感热输送 (图 4a 和 e)，由于西半球的平均热流入比东半球的热流出强，热输送主要导向北极。图 4a 中使用的未平滑时间序列的相关系数为 - 99.68%，图 4a 中显示的平滑时间序列的相关系数为 - 99.56%。对于对流层下部的感热输送 (图 4c 和 e)，由于东半球的平均热流入比西半球的热流出弱，热输送主要导向远离北极。因此，在对流层下部，半球的热通量方向发生了翻转。图 4a 中使用的未平滑时间序列的相关系数为 - 99.68%，图 4a 中显示的平滑时间序列的相关系数为 - 99.56%。
糖尿病神经病变和血红蛋白...
HbA1c MNSI Spearman's Rho HbA1c 相关系数 1.000 .357 ** Sig. (双侧)。 .000 N 220 220 MNSI 相关系数 .357 ** 1.000 Sig. (双侧) .000 .北220 220
无标题 - NPL 出版物
测量复杂的 S 参数时，需要进行多次重复测量。根据重复测量的统计数据计算出 S 参数的最佳估计值和椭圆不确定区域。特别是，实部和虚部 r(x,y) 之间的相关系数用于计算不确定区域。重复测量集可视为来自二元正态分布的样本。在本报告中，通过使用多元正态分布模拟器 MULTNORM 生成大量样本，研究了为来自二元正态分布的样本计算的相关系数 r(x,y) 的分布。研究了总体相关系数 p(x,y) 和样本大小 n 对分布的影响。对于小样本，发现分布是非正态的、宽的并且有时是倾斜的。这对基于少量重复测量得出的置信区域的可靠性有影响。还研究了 Fisher 的 z（以 r 定义的统计数据）的分布，发现它比 r 的分布更正态。此统计数据可用于估计 p 的 95% 置信区间。
中国风电企业业绩偏离度分析
随着全球对能源安全、低碳经济和环境治理重视程度的不断提高，可再生能源在国家电网系统中的比重将不断提高，风电将在我国未来电力系统中发挥重要作用，环境不确定性将影响风电企业碳效率与绩效的时变相关性。利用2011—2018年的面板数据，分析风电行业的发展现状及存在的问题，并利用DCC-GARCH模型计算动态条件相关系数，采用断点分析法分析政策、经济环境对碳效率与风电企业绩效时变相关性的影响。研究结果表明，在中美贸易战期间，突然增加关税的贸易政策变化导致相互依存度急剧上升。鼓励风电行业的相关政策与动态条件相关系数呈正相关，而替代化石燃料的财务表现与动态条件相关系数呈负相关。
文章 使用机器学习算法对锂离子 NMC 电池进行充电状态 (SoC) 预测建模 Farah Apit Tantri 1、Dewanto Harj
6 文莱理工大学工程学院电气工程系，文莱达鲁萨兰国加东 *电子邮件：elhanif@staff.uns.ac.id（通讯作者）摘要。充电状态 (SoC) 估计对于锂离子电池至关重要，以防止过度充电和放电，影响电池的安全性、稳定性和效率。传统技术是估算 SoC 最常用的方法。然而，由于它们的计算敏感性和难以适应复杂环境，它们在预测 SOC 方面不太准确。本研究提出了四种机器学习模型：线性回归、多层感知器、决策树和随机森林，用于锂离子 NMC 电池的 SoC 预测。模型的性能是根据相关系数和误差值（平均绝对误差或 MAE 和均方根误差或 MRSE）进行评估的。结果显示，随机森林模型性能最佳，相关系数为1，MAE和MRSE值分别为0.2052和0.2712。相反，线性回归模型性能最差，相关系数为0.9534，MAE和MRSE值分别为5.9064和8.2602。关键词：充电状态（SoC），NMC电池，机器学习。