XiaoMi-AI文件搜索系统
World File Search SystemVIYA
十大最具影响力的报告和数据分析...
ODS Excel 目标以 Microsoft Office Open XML SpreadsheetML 文件格式 (XLSX) 生成输出。此目标通过创建可演示的 Excel 电子表格，自动从 SAS®9 和 SAS Viya 直接生成 Microsoft Excel 工作表。此目标有许多亮点，但最重要的是能够消除手动工作。选项提供的一些最常用的功能包括命名和着色工作表选项卡、冻结行和列标题、添加过滤器、在特定位置开始输出等。其他功能包括使用 SAS/GRAPH ® 和 ODS Graphics 添加图形、添加公式以及为每个工作簿添加多个工作表。示例 1 显示了如何使用此目标创建类似于下面的输出 1 的自定义输出。
跨分析生命周期的可信赖人工智能
开箱即用的公平性和偏差评估突出显示了在指定的“敏感”变量中不同组的模型性能和预测的潜在差异。SAS Model Studio 的“公平性和偏差”选项卡显示性能偏差奇偶性、预测偏差奇偶性、性能偏差、预测偏差、偏差指标和偏差奇偶性指标图。SAS Viya 还提供偏差缓解功能，以在训练模型时主动减少偏差。指数梯度减少 (EGR) 算法使用一种缓解偏差的过程内方法，在训练过程中主动调整模型参数，以创建产生公平预测和分类的模型。
用于预测基于肠道微生物组组成的自闭症谱系障碍的机器学习算法
摘要：机器学习（ML）技术的应用是协助诊断复杂疾病的可靠方法。最近的研究将肠道微生物的组成与自闭症谱系障碍（ASD）的存在有关，但到目前为止，结果主要是矛盾的。这项工作建议使用机器学习研究肠道微生物组组成及其在ASD早期诊断中的作用。我们使用肠道微生物组成分的公开数据，将支持向量机（SVM），人工神经网络（ANN）和随机森林（ANN）和随机森林（RF）算法分类为神经型（NT）或具有ASD的受试者。天真的贝叶斯，k-neart邻居，合奏学习，逻辑回归，线性回归和决策树也经过训练和验证；但是，提出的表现最好的性能和解释性。使用SAS VIYA软件平台开发了所有ML方法。使用16S rRNA测序技术确定微生物组的组成。ML的应用产生的分类准确性高达90％，灵敏度为96.97％，特异性较高达到85.29％。在ANN模型的情况下，与第一个数据集对NT受试者进行分类时不会发生任何错误，这表明与传统测试和基于数据的方法相比，分类结果显着。使用两个数据集重复这种方法，一个来自美国，另一个来自中国，导致了类似的发现。所获得的模型中的主要预测指标在分析的数据集之间有所不同。从分析的数据集中确定的最重要的预测因素是细菌，lachnospira，anaerobutyricum和ruminococcus torques。值得注意的是，在每个模型中的预测因子中，由于其相对丰度较低，因此存在细菌在微生物组组成中通常被认为是微不足道的。这种结果增强了对微生物组对ASD发展的影响的常规理解，在这种情况下，微生物群的组成的不平衡会导致宿主 - 微生物稳定的破坏。考虑到以前的几项研究集中在最丰富的属，并且被忽略了较小的（并且经常在统计学上显着）微生物群落，因此对此类社区的影响进行了很差的分析。基于ML的模型表明，更多的研究应集中在这些不太丰富的微生物上。一个新的假设解释了这一领域的矛盾结果，并提倡对可能不会表现出统计学意义的变量进行更深入的研究。获得的结果似乎有助于解释有关ASD的矛盾发现及其与肠道菌群组成的关系。虽然某些研究将杆状杆菌/杆菌的比例较高，而其他研究则相反。这些差异与微生物组组成中的少数族裔有密切相关，这在人群之间可能有所不同，但具有相似的代谢功能。因此，在ASD表现中，杆菌/杆菌的比率可能不是决定因素。