XiaoMi-AI文件搜索系统
World File Search SystemSVM
NETANTICIPATE：终极网络 AI 平台
支持的 ML 算法包括：1. 监督/分类 - AdaBoost、卷积神经网络 (CNN)、决策树、广义线性模型 (GLM)、K-最近邻 (KNN)、逻辑回归、多层感知器 (MLP)、朴素贝叶斯、随机森林、循环神经网络 (RNN)、支持向量回归 (SVM)、XGBoost。2. 监督/回归 - AdaBoost、卷积神经网络 (CNN)、决策树、广义线性模型 (GLM)、K-最近邻 (KNN)、线性回归、多层感知器 (MLP)、朴素贝叶斯、随机森林、循环神经网络 (RNN)、支持向量回归 (SVM)、XGBoost。 3. 时间序列/预测 - 自回归综合移动平均线 (ARIMA)、长短期记忆 (LSTM)、Prophet、Seq2Seq、时间卷积网络 (TCN)、NBeats、Autoformer、TCMF。4. 时间序列/异常 - 自动编码器、DBSCAN、椭圆包络、孤立森林、K-Means、一类 SVM。
机器学习脑电信号回顾... - ijarcce
摘要：自发现以来，脑电图 (EEG) 一直是识别患者某些健康状况的主要方法。由于可用的分类器类型很多，因此分析方法也同样繁多。在这篇评论中，我们将专门研究为生物工程应用的 EEG 分析而开发的机器学习方法。根据这些信息，我们能够确定每种机器学习方法的总体有效性以及关键特征。我们发现，机器学习中使用的所有主要方法都以某种形式应用于 EEG 分类。范围从朴素贝叶斯到决策树/随机森林，再到支持向量机 (SVM)。监督学习方法的平均准确度高于无监督学习方法。这包括 SVM 和 KNN。虽然每种方法在各自的应用中的准确性都有限，但希望如果正确实施，这些方法的组合具有更高的整体分类准确度。关键词：EEG 分析、EEG 信号、SVM。
支持向量机和人工神经网络期权价格预测的比较研究
选择定价已成为金融市场中非常重要的部分之一。由于市场总是动态的，因此很难准确预测期权价格。因此，已经设计和开发了各种机器学习技术，以解决预测期权价格未来趋势的问题。在本文中，我们比较了支持向量机（SVM）和人工神经网络（ANN）模型的有效性，以预测期权价格。两种模型均使用公共可用数据集的基准测试，即在测试和培训阶段间谍期权价格2015。在两种模型中都使用了通过主成分肛门（PCA）转换的数据，以实现更好的预测准确性。另一方面，整个数据集分为两组培训（70％）和测试集（30％），以避免过度拟合问题。将SVM模型的结果与基于均方根误差（RMSE）的ANN模型的结果进行了比较。实验结果证明了ANN模型的性能优于SVM模型，并且预测的期权价格与相应的实际期权价格非常吻合。
针对狂犬病的免疫规范
该政策旨在确保所有与动物和动物组织一起工作的兽医学院（SVM）的教职员工和教职员工都免受狂犬病的影响。SVM UAGM的所有教师，学生和员工都有暴露于狂犬病的风险，必须对狂犬病进行免疫。所有学生都必须针对狂犬病病毒进行完全免疫，并提供“在入场前或临床前课程期间完成的证据，并在毕业前可能会提供随后的滴度”。AVMA指出：“未能完成该系列会使您有暴露于狂犬病的风险。”如果滴度降低了免疫实践咨询委员会（ACIP）指南提供的结果，则学生必须获得助推器并提交免疫后的积极滴度证明。拒绝接种狂犬病的学生将不允许在AnaG.Méndez大学的兽医学院上课。学生将对狂犬病疫苗的费用完全负责，并且必须至少15天提交疫苗的证据，然后才参加SVM的任何计划。
基质金属蛋白酶9的表达和胶质母细胞瘤的生存预测，使用机器学习在数字病理图像上
这项研究旨在应用病原体来预测胶质母细胞瘤（GBM）中基质金属蛋白酶9（MMP9）的表达，并研究与病原体相关的潜在分子机制。在这里，我们包括了127名GBM患者，其中78例被随机分配给训练和测试队列以进行致病模型。使用Kaplan – Meier和Cox回归分析评估了MMP9的预后意义。吡啶组学用于提取H＆E染色的整个幻灯片图像的特征。使用最大相关性和最小冗余（MRMR）和递归特征消除（RFE）算法进行特征选择。使用支持向量机（SVM）和逻辑回归（LR）创建了预测模型。使用ROC分析，校准曲线评估和决策曲线分析评估了性能。MMP9表达升高。这是GBM的独立预后因素。为致病模型选择了六个功能。对于SVM模型，训练和测试子集的曲线和测试子集的面积分别为0.828和0.808，对于LR模型，SVM模型和0.778和0.754分别为0.778和0.754。C-指数和校准图具有有效的估计能力。使用SVM模型计算的病原体得分与总生存时间高度相关。这些发现表明MMP9在GBM的发展和预后中起着至关重要的作用。我们的病原学模型显示出高疗效，可预测GBM患者的MMP9表达水平和预后。
心脏病预测基于生理参数，使用集合分类器和参数优化Agung Muliawan 1，Achmad Rizal 2，
使用集合分类器和参数优化基于生理参数的心脏病预测Agung Muliawan 1，Achmad Rizal 2，Sugondo Hadiyoso 3* Institut Teknologi Dan Sainsia Mandala，Indonesia，Indonesia 1 Telekom University 1 Telekom University，Indonesia 23 sugondo@telkomuniversity.actistia in Indonesia telkomuniversity.ace.ac.act.ace.ace.act.act act：20 3 333 333 303 303接受：2023年11月7日 *通讯作者摘要本研究描述了使用具有参数优化的集合分类器对心脏病的预测。作为输入，从UCI机器学习存储库中获取了一个公共数据集，该数据集是指UCI机器学习中的数据集。数据集由13个变量组成，这些变量被认为会影响心脏病。粒子群优化（PSO）用于特征选择和主成分分析（PCA），以降低特征的尺寸。在几种机器学习方法上的应用优化应用，例如SVM（径向基础功能），深度学习和集合分类器（装袋和增强），以获得最高的精度比较。与PCA相比，该研究使用PSO维度降低的结果降低导致精确度。相反，通过优化深度学习参数的精度为84.47％，并优化SVM RBF参数，精度为83.56％，获得了最高精度。使用SVM上的袋子在83.51％的装袋中的最高精度，与SVM相差0.5％，而无需使用袋装。关键字：心脏病，机器学习，降低维度，参数优化，合奏分类器1。简介
预测使用机器学习模型用流动机处理的颅内动脉瘤的不完全闭塞
客观的颅内囊力瘤是血管畸形，导致80％的非创伤性脑出血。最近，流动分流已被用作侵入性较少的手术治疗替代方案。但是，在25％的病例中，他们在6个月后无法完全闭塞。在这项研究中，作者使用Ma-Chine学习（ML）构建了一种工具，以预测与流动机处理后6个月后6个月后的动脉瘤闭塞结果。包括2011年1月至2017年12月之间在第三纪转介中心接受管道栓塞装置治疗的616名患者中，总共667例动脉瘤。为了构建预测工具，进行了两个实验。在第一个实验中，使用与患者风险因素和动脉瘤形态学特征相关的26个特征，将六种ML算法（支持向量机[SVM]，决策树，随机森林[RF]，K-Nearest邻居，XGBoost和Catboost培训）。在第二个例外情况下，使用Shapley添加说明（SHAP）分析在RF模型上提取的前10个功能进行了训练。结果结果表明，即使使用特征子集（83％的精度），即使在LR模型的SVM模型vs 62％的SVM模型与62％的SVM模型vs 62％的精度相比，SVM模型的准确性为89％（精度为83％）。塑形分析表明，年龄，高血压，吸烟状况，分支血管受累，动脉瘤颈部和较大的直径尺寸是有助于准确预测的最重要特征。在这项研究中得出结论，开发了一种基于ML的工具，该工具成功地预测了经过流动转移治疗的颅内动脉疫苗的结果，从而有助于神经外科医生实践更精致的方法和患者量化的药物。
可再生能源生产预测：比较机器学习分析
摘要：随着可再生能源在全球越来越流行，而到目前为止，太阳能和风能一直是可再生能源的主要来源，因此可再生能源预测的准确性是对电力系统的计划，管理和运营的挑战。但是，由于可再生能源数据的中间和疯狂的性质，这是最具挑战性的任务。这项研究提供了基于不同机器学习算法的可再生能源预测的全面，完整的审查，以探索有效性，效率，能力和应用潜力。在这项工作中，我们在十二（12）个国家 /地区建立了使用支持向量机（SVM），线性回归（LR）和长期短期记忆（LSTM）的时间序列可再生能源预测模型。实验结果非常有趣。例如，基于SVM的预测模型更适合具有均值较小和标准偏差的国家，而基于线性回归的方法在均值较大和标准偏差的情况下显示出更好的结果。同时，基于LSTM的模型提供了更平滑的常规预测。我们可以通过这些预测模型预测两年的每日可再生能源生产。应该指出的是，我们已经为不同国家开发了不同的模型。我们能够使用基于SVM的模型达到3.1 38的根平方（RMS）值。
Telkomnika电信计算电子和控制
在此，使用离散小波变换（DWT）转换（DWT）转换（DWT）转换和灰度共同发生矩阵（GLCM）的特征提取和特征提取了使用磁性磁共振（MRI）Imagoma（MRI）GLI（MRI）GLI（MRI）（MRI）（MRI）（MRI）图像（LBP），使用了脑肿瘤分类方法（SVM）算法（DWT）变换（DWT）转换（DWT）转换和特征提取（LBP）。 （HGG）组。SVM算法用作分类方法已被广泛用于提高分类主题的研究。通过2个数据类之间的超平面形成，可以说SVM算法是一种可靠的方法，但不需要复杂的计算。DWT转换旨在提供MRI图像中更清晰的特征细节，因此当应用特征提取算法时，预计提取的特征在良性肿瘤MRI图像和恶性肿瘤MRI图像之间会有所不同。使用高低（HL）子带中的1级DWT中的DWT产生的最高特异性，灵敏度和准确性比使用LGG MRI图像中的HL或低高（LH）子频段使用3级水平。与另一项研究相比，我们提出的方法在准确性方面稍好一些，以实现98.6486％的精度对脑肿瘤图像进行分类。