XiaoMi-AI文件搜索系统
World File Search SystemLogistic
基于逻辑回归，Randomforest，XGBoost和Adaboost的贷款默认预测研究
在金融领域，信用风险是与抵押，信用卡和其他类型贷款有关的常见现象。总是有可能借款人不会全额偿还贷款。与贷款申请有关的风险评估是贷款机构在残酷市场和盈利能力中生存的主要问题。贷款机构每天从消费者那里收到许多贷款申请，但并非所有这些贷款都得到了批准。这些机构使用各种技术来评估申请人的信息，以便做出最佳选择。尽管如此，许多人未能每年支付贷款。贷方必须处理这种巨大损失[1]。人工智能技术可以实现深度挖掘和分析大数据，以应对金融技术带来的财务风险和挑战。与传统专家评级的缺点相比，用于预测银行信用贷款违约的机器学习模型表现更好[2]。人工智能可以利用大数据和机器学习技术来分析借款人的个人信息，信用记录和其他相关数据，从而帮助银行和其他金融机构评估信贷风险并做出更准确的贷款决策。作为一种新兴技术，人工智能无疑将成为金融业发展的巨大推动力。它将降低客户贷款的违约率，并使银行的资本流程过去正常，银行和其他金融机构经常使用人工分析来确定客户的信用。基于以前的数据，人工信用分析是一种效率低下且耗时的方法。它无法处理大量数据，例如机器学习。同时，人工信用分析的准确性远低于机器学习的准确性。机器学习可以发展更多自动化
使用逻辑回归预测糖尿病疾病的发生：一种早期检测方法
摘要：糖尿病疾病在全球范围很普遍，预测其进展至关重要。已经提出了几种模型来预测这种疾病。这些模型仅确定疾病标签，从而使发展疾病的可能性不清楚。提出一个预测疾病进展的模型至关重要。因此，本文提出了一个逻辑回归模型，以预测糖尿病综合征发病率的可能性。使用Sigmoid函数的模型利用逻辑回归的功能。使用PIMA印第安人糖尿病数据集评估了模型的性能，并表现出很高的精度，灵敏度和特异性。预测准确率为77.6％，灵敏度为72.4％，特异性为79.6％，I型误差为27.6％，II型误差为20.4％。此外，该模型表明了使用实验室测试的可行性，例如妊娠，葡萄糖，血压，BMI和糖尿病性重复功能，以预测疾病进展。提出的模型可以帮助患者和医生了解疾病的进展并及时进行干预措施
CTP 收购罗马尼亚 FM Logistic 资产组合...
售后回租交易 布加勒斯特，2023 年 3 月 30 日——按可出租总面积（“GLA”）计算，欧洲最大的高品质工业和物流房地产上市所有者、开发商和管理者 CTP 从法国 FM Logistic 手中收购了罗马尼亚总面积超过 100,000 平方米的工业仓库组合，FM Logistic 是一家在欧洲运营的领先供应链服务公司，将长期继续作为 CTP 的租户。该组合由位于布加勒斯特、皮特什蒂和蒂米什瓦拉 CTP 最大园区附近的三个工业园区组成，加强了 CTP 在这些城市以及布加勒斯特 - 皮特什蒂高速公路轴线上的影响力。 CTP 罗马尼亚董事总经理 Ana Dumitrache 表示：“我们的理念建立在发展稳固的合作伙伴关系上，这笔交易体现了这一原则。我们正在与一家高度专业和专业的物流运营商 FM Logistic 建立战略联盟，FM Logistic 已在罗马尼亚市场存在 20 多年。最终，我们收购了一批拥有高效仓库的先进资产组合，与现有库存形成互补，并巩固了 CTP 在关键地点的业务，这些地点越来越多地被视为区域枢纽。” 售后回租交易由 CTP 罗马尼亚交易团队设计和实施，并得到物业管理和财务职能部门的内部支持。 CTP 罗马尼亚交易总监 Andreea Enescu 表示：“此次收购使我们在罗马尼亚的资产组合增加了 100,000 多平方米，全部出租。三个地点都受益于大片剩余土地，这将使投资实现有机发展，从而使所有利益相关者（从租户到当地社区）受益。” FM Logistic 成立于 1967 年，总部位于法国，提供欧洲供应链服务，服务于快速消费品、零售、美容化妆品、工业制造和医疗保健行业的客户，自 2003 年以来一直在罗马尼亚开展业务。
人工智能预测重症监护病房死亡率并与逻辑回归系统进行比较
目的：探索基于梯度提升决策树的人工智能方法，用于预测重症监护病房的全因死亡率，并将其性能与文献中最近的逻辑回归系统以及在同一平台上构建的逻辑回归模型进行比较。方法：使用重症监护医学信息集市数据库训练和测试梯度提升决策树模型和逻辑回归模型。在重症监护病房 5 小时内收集的成年患者 1 小时分辨率生理测量值包括八个常规临床参数。该研究探讨了模型如何学习对患者进行分类，以预测 12 小时内重症监护病房的死亡率或存活率。使用准确度统计数据和接收者操作特征曲线下面积来评估性能。结果：梯度提升树的接收者操作特征曲线下面积为 0.89，而逻辑回归的曲线下面积为 0.806。梯度提升树的准确度为 0.814，而逻辑回归的准确度为 0.782。梯度提升树的诊断比值为 17.823，而逻辑回归的诊断比值为 9.254。梯度提升树的 Cohen's kappa、F 测量值、Matthews 相关系数和显著性更高。结论：梯度提升树的判别能力非常出色。在重症监护病房死亡率预测方面，梯度提升树的表现优于逻辑回归。在所研究的不平衡数据集中，梯度提升树的高诊断比值和显著性值非常重要。
通过实施物流4.0构建竞争优势的供应链管理策略
摘要 本研究旨在研究供应链管理在通过物流建立竞争优势方面的作用。本研究表明：1）战略供应链管理是为了赢得供应链或至少在市场竞争中生存而实现的。高效、稳健的物流4.0必须依靠与物流相关的技术应用，包括采购、仓储、库存、运输、仓储、包装、安全以及以原材料、中间产品和成品形式处理的商品和服务。2）在创造竞争优势方面，供应链管理在于价值优势和生产力优势的问题。这种优势可以通过确保生产消费者所需的高价值产品特征的过程来实现。商品价值的主要指标是质量。能够生产优质产品的公司在消费者面前具有附加值。生产力优势体现在高产量和单位流程的低成本上。
基于熵的逻辑回归与自动相关性判定，用于稳健的稀疏脑活动解码
摘要 —最近的研究利用稀疏分类从高维大脑活动信号中预测分类变量以揭示人类的意图和心理状态，并在模型训练过程中自动选择相关特征。然而，现有的稀疏分类模型很容易受到大脑记录中固有噪声的影响而导致性能下降。为了解决这个问题，我们旨在在本研究中提出一种新的稳健稀疏分类算法。为此，我们将相关熵学习框架引入基于自动相关性确定的稀疏分类模型，提出一种新的基于相关熵的稳健稀疏逻辑回归算法。为了证明所提算法卓越的大脑活动解码性能，我们在合成数据集、脑电图 (EEG) 数据集和功能性磁共振成像 (fMRI) 数据集上对其进行了评估。大量实验结果证实，所提出的方法不仅可以在噪声和高维分类任务中实现更高的分类准确率，而且可以为解码场景选择更具信息量的特征。将相关熵学习方法与自动相关性确定技术相结合将显著提高对噪声的鲁棒性，从而产生更充分鲁棒的稀疏脑解码算法。它为现实世界的脑活动解码和脑机接口提供了更强大的方法。
基于切线空间的逻辑回归跨学科学习，用于增强运动想象分类
摘要 — 脑机接口 (BCI) 的性能通常会受到影响，因为记录的 EEG 信号本身具有非平稳性，且不同受试者之间存在高度差异。本研究提出了一种新方法，使用基于切线空间的迁移学习 (LR-TSTL) 的逻辑回归来解决基于运动想象 (MI) 的 BCI 分类问题。从 EEG 信号计算出的单次试验协方差矩阵 (CM) 特征被转换为黎曼几何框架，并且通过考虑下三角矩阵来计算切线空间特征。然后使用逻辑回归模型对它们进行进一步分类，以提高分类准确性。在健康受试者的数据集以及中风患者的数据集上测试了 LR-TSTL 的性能。与现有的受试者内学习方法相比，所提出的方法在平均分类准确率 (78.95 ± 11.68%) 方面给出了相同或更好的性能，同时应用于健康受试者的留一跨受试者学习。有趣的是，对于患者数据集，LR-TSTL 显著（p < 0.05）超越了当前基准性能，平均分类准确率为 81.75 ± 6.88%。结果表明，所提出的跨学科学习方法有可能实现下一代无校准 BCI 技术，并具有增强的实用性，尤其是在针对中风患者的神经康复 BCI 设计的情况下。
使用逻辑回归分类算法对两类运动想象脑电信号进行分类的新框架
机器人技术和人工智能在开发针对运动障碍人士的辅助技术方面发挥着重要作用。脑机接口 (BCI) 是一种通信系统，通过检测和量化不同模态产生的控制信号并将其转换为启动外部设备的自愿命令，使人类能够与周围环境进行通信。为此，对研究人员来说，以非常高的准确度对脑信号进行分类并最大限度地减少错误至关重要。因此，在本研究中，提出了一种新颖的框架来对二元类脑电图 (EEG) 数据进行分类。在 BCI 竞赛 IV 数据集 1 和 BCI 竞赛 III 数据集 4a 上测试了所提出的框架。通过预处理从 EEG 数据中去除伪影，然后提取特征以识别记录的脑信号中的判别信息。信号预处理包括对原始 EEG 数据应用独立成分分析 (ICA)，同时使用公共空间模式 (CSP) 和对数方差来提取有用的特征。对六种不同的分类算法进行了比较，即支持向量机、线性判别分析、k 最近邻、朴素贝叶斯、决策树和逻辑回归，以准确分类 EEG 数据。对于这两个数据集，所提出的框架使用逻辑回归分类器实现了最佳分类精度。对于七个不同的受试者，BCI 竞赛 IV 数据集 1 的平均分类准确率为 90.42%，而对于 BCI 竞赛 III 数据集 4a，对五个受试者的平均准确率为 95.42%。这表明该模型可用于实时 BCI 系统，并为 2 类运动想象 (MI) 信号分类应用提供非凡的结果，并且经过一些修改，该框架将来还可以兼容多类分类。
比较机器学习和基于逻辑回归的常规预测模型，用于种族多样化的人群中的妊娠糖尿病； Monash GDM机器学习模型
背景：希望有效的生活方式干预措施可预防GDM并减少相关的不良后果，因此希望早期鉴定出患有妊娠糖尿病（GDM）高风险的孕妇。可以使用风险前字典模型来确定怀孕期间开发GDM的个性化概率。这些模型从传统统计数据扩展到机器学习方法；但是，准确性仍然是最佳的。目标：我们旨在比较多个机器学习算法以开发GDM风险预测模型，然后确定预测GDM的最佳模型。方法：从2016年1月至2021年6月的大型卫生服务网络的日常产前护理的数据进行了监督的机器学习预测分析。预测指标集1来自现有的国际验证的Monash GDM模型：GDM历史，体重指数，种族，年龄，糖尿病的家族史以及过去的不良产科历史。具有不同预测因子的新模型，考虑了统计原理，其中包括更健壮的连续变量和衍生变量。随机选择的80％数据集用于模型开发，验证为20％。绩效指标，包括校准和歧视指标。进行决策曲线分析。结果：在内部验证后，机器学习和逻辑回归模型在曲线下的区域（AUC）的区域在不同算法中的范围从71％到93％，最好是Catboost分类器（CBC）。Based on the default cut-off point of 0.32, the performance of CBC on predictor set 4 was: Accuracy (85%), Precision (90%), Recall (78%), F1-score (84%), Sensitivity (81%), Specificity (90%), positive predictive value (92%), negative predictive value (78%), and Brier Score (0.39).结论：在这项研究中，机器学习方法在传统统计方法上实现了最佳的预测性能，从75％增加到93％。catboost分类器方法通过包括连续变量的模型达到了最佳状态。