XiaoMi-AI文件搜索系统
World File Search SystemEDICTION
心脏病的预测和咨询-Ijarcce
摘要：由于每天有越来越多的心脏病病例，因此要预见到任何前瞻性问题很重要，并且有关。完成这种困难的诊断需要准确性和敏捷性。i将创建一个系统，该系统仅使用许多机器学习技术，包括此类回归模型，随机森林和KNN，预测患者是否会根据患者的病史诊断患有心脏病。该模型以一种非常有益的方法来控制，以提高每个个体心肌梗塞预测的准确性。在建议的模型中使用了随机森林，KNN和逻辑回归，该模型的优势是，比以前使用的分类器（如Naive Bayes）具有更高精度的特定人的心脏病症状。这些技术也将比其他分类器（如Naive Bayes）显示出更好的准确性。因此，通过使用提出的模型来评估分类器将准确，始终检测到心血管疾病的可能性，从而降低了大量压力。该实验教会了我们很多我们可以利用的人来预测谁将患上心脏病。关键字：随机森林，KNN，逻辑回归，机器学习，预测。
航班延误预测与误差......
准确预测航班延误是建立更高效的航空业务的基础。航空公司的核心业务是客户满意度。我们的预测在所有民航利益相关者的决策过程中都至关重要。恶劣天气、机械原因和飞机延误到达出发地都会导致航班延误和客户不满。利用航班数据和天气数据，我们提出了一个准时到达航班的预测模型。该项目使用机器学习模型，如决策树回归、贝叶斯岭、随机森林回归和梯度提升回归来预测某个航班是否会晚点到达。
综合洪水预测系统
成员 Michael F. Ableson，Arrival Automotive–North America 首席执行官，密歇根州底特律 James F. Albaugh，波音公司总裁兼首席执行官（已退休），亚利桑那州斯科茨代尔 Douglas C. Ceva，Prologis, Inc. 客户主导解决方案副总裁，佛罗里达州朱庇特 Marie Therese Dominguez，纽约州交通部专员，奥尔巴尼 Ginger Evans，Tower Consulting, LLC 总裁，弗吉尼亚州阿灵顿 Michael F. Goodchild，加州大学圣巴巴拉分校地理系名誉教授 Diane Gutierrez-Scaccetti，新泽西州交通部专员，特伦顿 Stephen W. Hargarten，伤害研究中心主任、全球健康办公室副院长、威斯康星医学院急诊医学教授，密尔沃基 Chris T. Hendrickson，卡内基梅隆大学哈默施拉格大学工程名誉教授，宾夕法尼亚州匹兹堡Randell Iwasaki，亚马逊网络服务州和地方交通负责人，加利福尼亚州核桃溪 Ashby Johnson，首都地区大都市规划组织 (CAMPO) 执行董事，德克萨斯州奥斯汀 Joel M. Jundt，南达科他州交通部部长，Pierre Drew Kodjak，国际清洁交通委员会执行董事，华盛顿特区 Carol A. Lewis，德克萨斯南方大学交通研究教授，休斯顿 Julie Lorenz，堪萨斯州交通部部长，托皮卡 Michael R. McClellan，战略副总裁
调查：使用机器学习技术NOOR MOHD 1，JUHI SHARMA 1，DEEPAK UPADHYAY 2 1计算机SCIEN部
抽象这种心脏病发作和心脏病造成的死亡在世界各地都在增加。心脏麻烦是由于人们的生活承受着更大的压力而引起的。我们体内最重要的器官之一可能是心脏。它有助于控制血液循环并流向所有人体器官。今天，这种疾病是最大的死亡人数。通常，患有任何心脏问题的人几乎没有迹象和症状，我们可以轻松地判断它，从而可以准时帮助个人。症状就像高强度的胸痛，快速的心跳速度和疼痛，并记录了一些不安的呼吸。此信息是在习惯前提下进行的。在这项调查中，此外，冠状动脉疾病的概述此外，其目前的技术是立即提出的。此外，暂时阐述了对冠状动脉疾病预测的最重要AI方法的上到底检查。在每种检测机制中表现良好的各种机器学习算法都是天真的贝叶斯，决策树，支持向量机，人工神经网络，随机森林，k-nearest邻居等等。每个机器学习模型的性能取决于它的准确性预测。因此，评估模型效率的关键组成部分之一是准确性。在我们的研究中，随机森林在预测心脏病方面提供了91％的最佳准确性。逐渐解释了有关具有常见副作用的正常疾病的患者。关键字：寄生心脏病，人工神经网络，机器学习，幼稚的贝叶斯，SVM，分类技术，决策树，CVD，准确性。在所有致命感染中引入，冠状动脉发作被认为是最主要的。临床专业人员领导着关于心脏病和心脏病患者数据的多种研究，他们的表现和疾病运动。在这个时代，每个人都忙于改善自己的生活，所有人都在努力实现他们在研究，职业，工作，人际关系和生活的各个部分方面的目标。在生活的各个阶段中，这一日益增强的感觉使每个人的生活变得忙碌。有意或在不知不觉中，我们都应对日常生活中的这种压力，并且实际上在我们身体的各个部位都会压力我们的大脑，心脏和思想。这种日益增加的压力导致心脏病，这就是今天大多数人
一种基于机器学习的利用脑电信号预测癫痫发作的方法
大脑由数十亿个神经元组成，它们控制着我们的所有行为。在癫痫发作时，大脑信号的模式顺序会发生改变，导致个体大脑出现癫痫样放电。大约 1% 的世界人口患有癫痫，因此需要进行一些研究来帮助诊断和治疗这种疾病。这项工作的目的是开发一种基于机器学习的方法，使用非侵入性脑电图 (EEG) 预测癫痫发作。因此，使用 CHB-MIT 数据库对发作间期和发作前状态进行分类。该算法是使用独立于患者的方法预测多个受试者的癫痫发作而开发的。离散小波变换用于在 5 个级别上对 EEG 信号进行分解，并研究了频谱功率、平均值和标准差作为特征，以分析哪一个会呈现最佳结果，并使用支持向量机 (SVM) 作为分类器。该研究的功率、标准差和平均值特征分别实现了 92.30%、84.60% 和 76.92% 的准确率。
使用 XGBOOST 进行基于机器学习的临床疾病预测
1,2 印度拉杰果德马尔瓦迪大学 摘要：科学技术对医疗行业的巨大影响导致了大量数据的收集。由于数据的大量积累，医生发现在早期识别或预测患者是否患有疾病变得更加复杂。幸运的是，监督机器学习算法的进步在收集数据的处理中展示了巨大的影响，并帮助医务人员快速准确地预测高风险疾病的早期存在。这不仅有助于预防疾病的传播，还可以节省患者可能产生的巨额医疗费用。本文旨在评估疾病检测中的多种监督机器学习模型，并通过性能基准对其进行分析。主要讨论的监督学习算法是 K-最近邻 (KNN)、决策树 (DT)、朴素贝叶斯 (NB)、随机森林、XGBoost、CNN、DNN。XGBoost 在预测心脏病和糖尿病方面表现出色。 XGBoost 预测糖尿病和心脏病的精度，卷积神经网络 (CNN) 预测脑肿瘤的精度。
使用监督来预测脑卒中...
摘要：中风是一种通过血管破裂损害大脑的疾病。当大脑的血流和其他营养物质中断时，也可能发生中风。根据世界卫生组织 (WHO) 的数据，中风是全球死亡和残疾的最大原因。大多数研究都集中在心脏病的预测上，而只有少数研究关注脑卒中的可能性。考虑到这一点，人们正在开发各种机器学习模型来预测脑卒中的可能性。本文采用了 K-Nearest 和 Nave Bayes 分类等机器学习技术来对许多生理参数进行建模，以实现准确预测并发现最佳方法。索引术语 - 索引术语 - 机器学习、K-nearest、朴素贝叶斯、脑卒中
