XiaoMi-AI文件搜索系统
World File Search SystemAdaBoost
使用简约机器学习CT扫描图像中的脑出血分类
摘要：随着时间的流逝，已为模式分类生成了无数的应用。几个案例研究包括参数分类器，例如多层感知器（MLP）分类器，这是当今使用最广泛的分类器之一。其他人使用非参数分类器，支持向量机（SVM），K-Nearest邻居（K-NN），幼稚的贝叶斯（NB），Adaboost和Random Forest（RF）。但是，仍然几乎没有针对人工智能（AI）的新趋势的工作，该趋势被称为可解释的人工智能（X-AI）。这种新趋势旨在使机器学习（ML）算法越来越简单且易于理解用户。因此，在这项工作中，在这项工作中，作者基于新型极简主义机器学习（MML）范式的实现以及更高的相关性属性选择算法，开发了一种新的模式分类方法，我们称之为DMeans。我们检查并比较了该方法的性能与MLP，NB，KNN，SVM，ADABOOST和RF分类器，以执行计算机断层扫描（CT）脑图像的分类任务。这些灰度图像的面积为128×128像素，并且数据集中有两个类别可用：CT无出血和CT，具有室内出血（IVH）的CT，使用剩余的交叉验证方法对它们进行了分类。大多数通过一对一的交叉验证测试的模型的精度在50％至75％之间，而灵敏度和灵敏度在58％至86％之间。使用我们的方法进行的实验与观察到的最佳分类器相匹配，其精度为86.50％，并且它们的表现优于特定的所有最先进的算法，而91.60％的算法的表现。这种性能是通过简单且实用的方法齐头并进的，这些方法与这种易于解释的算法的趋势并驾齐驱。
轴承故障检测与分类的决策树模型比较研究
轴承故障诊断对于减少故障、提高旋转机械的功能性和可靠性至关重要。由于振动信号是非线性和非平稳的，提取特征以进行降维和有效的故障检测具有挑战性。本研究旨在评估基于决策树的机器学习模型在轴承故障数据检测和分类中的性能。提出了一种将基于树的分类器与派生的统计特征相结合的机器学习方法，用于局部故障分类。通过时域分析从正常和故障振动信号中提取统计特征，以开发基于树的 AdaBoost (AD)、分类和回归树 (CART)、LogitBoost 树 (LBT) 和随机森林树 (RF) 模型。
生存预测儿童 - 果arrow- ...
摘要：骨髓是许多与血液相关疾病的来源，例如血液癌和骨髓移植（BMT），也称为造血干细胞移植（HSCT），是一种挽救生命的手术程序。但是，这种治疗与死亡率高有关。因此，预测BMT后的生存对于有效而准确的治疗至关重要。BMT被认为是由于几个主要的死亡原因（例如感染，毒性和移植物抗宿主病（GVHD））引起的与治疗相关的死亡率。此外，几个危险因素会影响BMT和治疗后的长期生存的成功。因此，需要基于机器学习技术的预测系统，该技术可以预测患者是否在BMT之后生存，这绝对可以帮助医生在为患者进行手术之前做出正确的决定。在本文中，使用了加利福尼亚大学Irvine ML存储库（UCI ML存储库）的公开可用的BMT数据集，研究了不同的机器学习模型，以预测经过BMT治疗的儿童的生存状况。尤其是随机森林（RF），包装分类器，极端梯度提升（XGBOOST），自适应增强（Adaboost），决策树（DT），梯度提升（GB）和K-Nearest Neighbors（KNN）在给定的数据集上进行了培训。数据集在应用一系列预处理步骤并根据相关热图上删除多重共线性特征后，由45个变量组成。RF，Adaboost，GB和Baging技术的最佳准确度达到97.37％。然后，应用了功能工程和建模步骤来识别最重要的功能，然后使用机器学习模型来简化整体分类过程。重要的是要注意，DT和GB获得的最重要特征分别最适合训练包装分类器和KNN模型。除此之外，还将使用网格搜索交叉验证（GSCV）优化了两种方法，以提高生存预测的准确性。
使用机器学习模型进行故障诊断
摘要轴承是带有变速箱的任何机械的关键元素。必须有效诊断轴承断层以确保机械的安全性和正常操作。因此，轴承中机械故障的识别和评估对于确保可靠的机械操作非常重要。这项比较研究表明，通过利用各种机器学习方法，包括SVM，KNN，线性回归，脊回归，XGB回归，ADABOOST回归和CAT促进回归，轴承诊断的性能。轴承就像机械世界的无名英雄一样，在船上从车轮到螺旋桨，都极大地支撑和指导所有事物的平稳运动。然而，与其他机械组件一样，随着时间的流逝，轴承的持续使用会导致磨损，这最终可能导致故障。
基于脑电图的神经网络模型情绪预测
摘要：“情绪”一词指的是个人对事件、人或条件的反应。近年来，研究情绪估计的论文数量有所增加。在本研究中，分析了一个基于三种不同情绪的数据集，该数据集用于使用脑电波对感觉进行分类。在数据集中，六个电影剪辑被用来引出男性和女性的积极和消极情绪。然而，没有触发引发中性情绪的触发器。已经使用各种分类方法来对数据集进行分类，包括 MLP、SVM、PNN、KNN 和决策树方法。研究人员表示，首次使用的 Bagged Tree 技术在本研究中取得了 98.60% 的成功率。此外，使用 PNN 方法对数据集进行了分类，成功率达到 94.32%。关键词：AdaBoost；袋装树；EEG 信号；情绪预测；多层感知器；概率神经网络 1 引言
使用经典和量子机学习模型的洪水预测
这项研究研究了量子机学习的潜力（QML）改善洪水预测。我们专注于2023年德国武河沿线的每日洪水事件。我们的方法将经典的机器学习（SVM，KNN，回归，AR模型）与QML技术（adaboost，量子变异电路，Qboost，qsv c _ ml）结合在一起。该混合模型利用量子和纠缠等量子特性，以提高准确性和效率。经典模型和QML模型。结果表明，QML模型的竞争训练时间和提高了预测准确性。这项研究意味着朝着利用量子技术进行变化适应的一步。我们强调合作和持续创新，以在现实世界中实施这种模型，最终增强了针对洪水的全球弹性。
网络入侵检测（NID）的比较分析...
网络入侵检测系统 (NIDS) 是现代网络安全框架的重要组成部分，旨在检测和缓解网络内的恶意活动。本研究探索了人工智能 (AI) 技术（包括机器学习 (ML) 和 DL）的应用，通过准确的入侵检测来提高网络安全。使用 CIS-CICIDS2017 数据集，采用了全面的预处理流程，包括数据清理、基于 SMOTE 的平衡、最小-最大规范化和特征选择。随机森林 (RF) 模型表现出优异的性能，准确率为 99.90%，精确率为 97.78%，召回率为 97.08%，F1 得分为 97.41%。与决策树 (DT)、堆叠 LSTM 和 AdaBoost 模型的比较分析突出了 RF 在检测和分类网络流量方面的稳健性。未来的研究旨在优化特征工程并探索混合 AI 模型，以改进动态网络环境中的实时入侵检测。
SCNTA：- IGI 全球
随着高速网络的不断扩展，实时网络检测应用面临着漏洞威胁。对于公司和 ISP 来说，实时流量分类是一个问题。分类器监视器由三个模块组成：数据包捕获 (CoP) 和预处理、流量协调 (RoF) 和机器学习 (ML) 分类。基于并行处理以及明确定义的数据接口，模块被构建，允许每个模块单独修改和升级。流量协调 (RoF) 机制成为此管道中的输出瓶颈。在此实现中，使用了最佳协调过程，平均交付时间为 0.62 秒。为了验证该方法，作者在分类模块中将 AdaBoost 集成学习算法 (ABELA)、朴素贝叶斯 (NB)、决策树 (DT)、K 最近邻 (KNN) 和灵活朴素贝叶斯 (FNB) 的结果等同起来。本文介绍了运行时CSNTA分类（基于流）方案的架构设计。
电影推荐系统的合奏机器学习模型
摘要本文致力于评估电影推荐系统中集合机器学习模型的有效性。它探讨了各种集合方法，包括随机森林，adaboost，XGBoost，LightGBM，Catboost和梯度提升机，以增强预测用户偏好的准确性。该研究基于Movielens 100K数据集，该数据集包含1,682部电影中943位用户的100,000个评级。功能工程，数据归一化方法和迭代功能选择的应用提高了模型准确预测用户兴趣的能力。分析表明，XGBoost模型的最佳结果为0.902，与所考虑的其他模型相比，预测准确性更高。LightGBM和Catboost还显示了竞争结果，RMSE值分别为0.910和0.919。这项研究强调了综合方法在开发适应用户各种偏好和环境的建议系统中的重要性，并在该领域开辟了广泛的观点，以进一步研究。