摘要肌萎缩性侧索硬化症(ALS)的特征是一种快速进行性神经退行性疾病,在医疗干预和疗法领域中提供了有限的治疗选择的人。该疾病展示了各种各样的发作模式和进展轨迹,强调了早期检测功能下降的关键重要性,以实现定制的护理策略和及时的治疗干预措施。由IDPP@CLEF 2024挑战率负责的本研究重点是利用通过应用程序获得的传感器来源数据。此数据用于构建各种机器学习模型,专门设计,以预测ALS功能评级量表重新介绍(ALSFRS-R)分数的进步,利用组织者提供的数据集。在我们的分析中,评估了多个预测模型,以确定其在处理ALS传感器数据方面的疗效。使用统计方法将传感器数据的时间方面压缩并合并,从而增强了收集信息的可解释性和适用性,以实现预测性建模目标。表现出最佳性能的模型是天真的基线和弹性网络回归。幼稚的模型达到的平均绝对误差(MAE)为0.20,均方根误差(RMSE)为0.49,表现略高于ElasticNet模型,该模型的MAE为0.22,RMSE为0.50。我们的比较分析表明,虽然天真的方法提高了更好的预测精度,但ElasticNet模型为理解特征贡献提供了强大的框架。
由于一系列的冲击,包括COVID-19的大流行,能源危机和地缘政治紧张局势升高,近年来,近年来抽象的生产力发展变得越来越不确定。尽管如此,试图将最新生产率增长趋势的尝试受到限制,通常集中在特定职业或行业内的微观生产率上。迄今为止,尚未努力为广泛国家的劳动生产率增长的宏观经济衡量 - 本文寻求解决的差距。本文介绍了40个经合组织和加入国家的小组的劳动生产率增长。本文的主要新颖性是在面板框架内将机器学习技术与混合频率模型的集成在一起,从而可以最佳地利用更高的频率数据。该方法将混合频率设置与各种模型相结合,包括动态因子模型,惩罚回归(Lasso,Ridge,Elasticnet)和基于树的模型(梯度增强的树木,随机森林)以及出版物滞后的解释。性能提高与40个国家 /地区的自回归基准平均值约35%。机器学习模型,特别是梯度增强的树木,在大多数国家 /地区都优于替代品。与40个国家 /地区的30个国家强加的权重相比,发现具有估计重量的MIDAS规格带来了其他信息。关键字:现觉,机器学习,面板,劳动生产力。JEL代码:C4,C53,C23,E24。
摘要:中风是大脑血液供应突然中断,影响一条或多条滋养大脑的血管。这会导致大脑供氧紊乱或不足,从而导致脑细胞损伤或受损。在某些情况下,确定中风的时间和严重程度可能具有挑战性。本研究提出了一种基于人工智能的 EMS(ElasticNet - MLP - SMOTE)模型,具体利用两种机器学习算法,即 Elastic Net 和多层感知器 (MLP),并使用合成少数过采样技术 (SMOTE)。Elastic Net 算法用于特征选择以识别关键特征,然后使用 MLP 算法进行预测。使用 Elastic Net 算法是因为它结合了 L 2 和 L 1 正则化,在辨别影响模型性能的特征方面提供了良好的结果。使用 MLP 算法是因为它依赖于深度学习技术,在这种情况下产生了有希望的结果。该算法从包含与中风相关的基本特征的综合数据集中对数据进行分类。SMOTE 用于提高模型的性能。值得注意的是,之前没有研究将这三种技术(Elastic Net – MLP – SMOTE)结合在一起。EMS 的预测准确率达到 95%,MSE = 0.05。该模型有助于根据患者的历史数据预测中风的发生,从而缓解这种严重疾病的突然发作。