XiaoMi-AI文件搜索系统
World File Search SystemSVM
在预测心力衰竭患者中的机器学习预测脆弱综合症中的应用
住院，骨折的发生，残疾和死亡率是脆弱的代理[35]。在另一项工作中，与EFI诊断相比，使用指标变量的不同组合预测结果[36]。他们的结果暗示，SVM的表现优于k-neartheard邻居和决策树算法。这些研究的结果是有希望的，但是最有效的SVM模型中使用的解释变量的数量为70。该模型的准确性为93.5％，有希望的Cohen Kappa指数为87％。同时，包含10和11个解释变量的模型比模型的许多解释变量中的一些更好，这表明使用各种变量组合。但是，此工作仅
基于最大值的EEG电动机构成BCI系统...
通讯 * Samaa S. Abdulwahab电气工程系，伊拉克巴格达大学。电子邮件：316393@student.uotechnology.edu.iq摘要人类大脑与环境通信的能力通过使用基于脑部计算机界面（BCI）的机制已成为现实。脑电图（EEG）已成为一种非侵入性的大脑连接方式。传统上，这些设备用于临床环境中来检测各种脑部疾病。但是，随着技术的进步，Emotiv和Neurosky等公司正在开发低成本，易于便携的基于EEG的消费级设备，这些设备可用于游戏，教育等各种应用领域。本文讨论了已应用脑电图的部分，以及它如何证明对患有严重运动障碍，康复的人以及与外界进行交流的一种形式有益。本文研究了SVM，K-NN和决策树算法对EEG信号进行分类的使用。为了最小化数据的复杂性，最大重叠离散小波变换（MODWT）用于提取EEG特征。使用滑动窗口技术计算每个窗口样本中的平均值。向量机（SVM），K-Nearest邻居，并优化决策树加载特征向量。关键字：EEG，BCI，运动图像，MODWT，SVM，K-NN，决策树，Emotiv Epoc+
使用MRI放射线特征和机器学习算法冠状动脉旁路后的心肌功能预测
摘要本研究的主要目的是预测使用放射线和机器学习算法的冠状动脉搭桥术后患者心脏MR（LGE-CMR）图像的心肌功能改善。总共选择了43例可见疤痕的患者在短轴LGE-CMR图像上，并且是CABG手术的候选者，并参与了这项研究。MR成像是使用1.5-T MRI扫描仪术前进行的。所有图像均由两位专家放射科医生（共识）进行了分割。在提取放射线特征之前，将所有MR图像重新采样至各向同性体素大小为1.8×1.8×1.8 mm 3。随后，将强度定量为64个离散的灰度，总共提取了93个特征。应用的算法包括平滑剪辑的绝对偏差（SCAD） - 载体支持向量机（SVM）和递归分区（RP）算法，作为该高维和非Sparse数据中二进制分类的可靠分类器。所有模型均通过重复的五倍交叉验证和10,000个自举重新示例验证。为CABG响应者/非响应者分类，选择了使用SCAD-拟合SVM和RP算法的十个功能和七个功能。考虑单变量分析，GLSZM灰度非均匀性 - 标准化功能具有最佳性能（AUC：0.62，95％CI：0.53-0.76），具有SCAD-PAD-PENALALALIZED SVM。关于多变量建模，SCAD-PENALIZIZED SVM的AUC为0.784（95％CI：0.64–0.92），而RP算法的AUC为0.654（95％CI：0.50-0.82）。总而言之，使用机器学习算法在多变量分析中单独或合并不同的放射线纹理特征，可提供有关CABG后患者心肌功能的预后信息。
通过逻辑编程来解释人工智能
我们专注于归纳逻辑程序的问题，该程序可以解释由支持向量机 (SVM) 算法学习到的模型。自上而下的顺序覆盖归纳逻辑程序设计 (ILP) 算法（例如 FOIL）使用信息论中的启发式方法进行爬山搜索。这类算法的主要问题是陷入局部最优。然而，在我们的新方法中，数据依赖型爬山搜索被模型依赖型搜索所取代，其中首先训练全局最优的 SVM 模型，然后算法将支持向量作为模型中最具影响力的数据点，并归纳出一个涵盖支持向量和与该支持向量最相似的点的子句。我们的算法没有定义固定的假设搜索空间，而是利用可解释 AI 中针对特定示例的解释器 SHAP 来确定相关特征集。这种方法产生了一种算法，该算法可以捕捉 SVM 模型的底层逻辑，并且在诱导子句数量和分类评估指标方面优于其他 ILP 算法。本文正在考虑在“逻辑编程理论与实践”杂志上发表。
增强垃圾邮件过滤：现代高级机器学习技术的比较研究
摘要。垃圾邮件仍然是一个持久的问题，不仅消耗了时间和带宽，而且构成了重大的网络安全威胁。结果，有效的垃圾邮件过滤已成为必不可少的。重点是天真的贝叶斯（NB），决策树（DT）和支持向量机（SVM），本研究对当代垃圾邮件过滤中使用的主要机器学习技术进行了详尽的分析。本文研究了这些方法的基本原理，通过在Kaggle数据集上进行的广泛实验进行比较它们的性能，并讨论了垃圾邮件过滤技术的当前挑战和未来方向。研究表明，SVM对于处理高维数据特别有效，DT提供了卓越的解释性，而NB简化了概率分类。实验结果表明，尽管每种方法都具有其优势和劣势，但将SVM与NB结合起来显着提高了分类精度。尽管有这些进展，但由于不断发展的垃圾邮件策略，垃圾邮件过滤器仍然面临挑战。为了解决这些持续的问题，结论部分突出了需要更可靠，灵活的垃圾邮件过滤技术，并为将来的研究方向提出建议。
使用人工神经网络预测公司破产。
本文提出了一个深度学习模型，挑战了公司破产这一金融领域的已知知识。具体来说，我们构建了一个用于预测公司破产的多层感知器 (MLP) 模型，并对其进行了分析，以直观地显示哪些输入参数对模型的准确性最重要。该模型使用大约 55,000 行数据、数据清理和超参数优化，在 120 个时期和 30 次试验后实现了 82.8% 的平均准确率和 0.0678% 的标准差，这是一个出色的结果。该模型优于两个进行比较的支持向量机 (SVM) 模型，并表现出良好的泛化能力。然而，非线性 SVM 模型产生了 20.48% 的假阳性，准确率为 71.96%，而 MLP 模型产生了 25.1% 的假阳性。因此，如果减少假阳性的数量更重要，那么尽管准确率较低，但 SVM 模型可能是更可取的。分析输入参数后发现，员工人数、离职组和股权比例是对破产预测影响最大的输入参数。由此得出结论，这些参数可能是分析一家公司是否会破产时最重要的因素。
实施心脏病预测的机器学习
心脏病目前是一种已接管许多人类生命的疾病。数据表明，超过1700万人死于心脏病。因此，大量死亡需要特殊处理来治疗和预防心脏病。在技术的发展中，可以在信息技术的帮助下进行诊断，其中之一是通过机器学习。本研究旨在通过SVM算法实施机器学习来预测心脏病。由SVM形成的模型产生的评估值，其精度值为0.85，精度为0.93，召回0.76，F-1得分为0.83。该模型被用作训练数据来预测心脏病，然后成功地用于通过简化库来创建系统，该库可以通过网站轻松访问。kata kunci：apptrak
研究论文：使用混合Denoising方法
结果：模拟是在抑郁症的实际脑电图数据库上进行的，以证明所提出的技术的影响。为了得出结论所提出的技术的疗效，SNR和MAE已被确定。获得的结果表明，联合EMD-DFA-WPD技术的MAE的信噪比和较低的MAE值较低。此外，基于随机的森林和SVM（基于支持矢量机）的分类显示，该提议的Denoising技术的精度提高了98.51％和98.10％。与拟议的方法相比，EMD-DFA的精度分别为98.01％和95.81％，EMD与DWT技术相当于98.0％和97.21％的RF和SVM技术。此外，将两个分类器的分类性能进行了比较，也没有降级以突出提出的技术的效果。
自闭症诊断从脑电图信号到机器学习算法
abtract。通过社会沟通和重复行为不足而认识到的一种神经发育障碍，被缩写为自闭症谱系障碍（ASD）。诊断自闭症的最实际设备之一是脑电图（EEG）信号，它准确地代表了大脑的功能。每个个体的记录的脑电图都包含大量数据，这些数据很难在视觉上学习和检查。机器学习算法的主要目标是以最终接近人脑的诊断方式训练机器。在本文中评估了在自闭症诊断的特征提取块中进一步开发深度学习能力的适当策略。为此，卷积神经网络（CNN）结构参与检查可用数据以提取功能。涉及支持向量机（SVM），线性判别分析（LDA），决策树（DT），简单贝叶斯分类（GNB）和随机森林（RF）的五个机器学习分类器（SVM）。通过SVM，LDA，DT，GNB和RF分类器获得的精度百分比分别为100、82、80.5、100和100％。通过应用不同的机器学习方法，这种提出的用于特征提取和分类的卷积神经网络的方法可以产生高临界性，即使不是比其自闭症诊断的同类方法相似。