瞄准生物标志物可能会提供有关心脏重塑和功能障碍的分子机制的见解。使用靶向蛋白质组学方法,我们旨在确定与心力衰竭早期相关的循环生物标志物。方法和结果共有575名基于社区的参与者(平均年龄为57岁;女性51.7%)进行了超声心动图和蛋白质组学专业(CVD II面板,Olink蛋白质组学)。我们应用了部分最小二乘 - 歧视分析(PLS-DA)和机器学习算法[极端梯度增强(XGBoost)]来识别与超声心动图异常相关的关键蛋白。我们使用高斯混合物建模进行无偏聚类,以基于PLS-DA和XGBoost中的影响蛋白来构建现象群。Of 87 proteins, 13 were important in PLS-DA and XGBoost modelling for detection of left ventricular remodelling, left ventricular diastolic dysfunction, and/or left atrial reservoir dysfunction: placental growth factor, kidney injury molecule-1, prostasin, angiotensin-converting enzyme-2, galectin-9, cathepsin L1, matrix金属蛋白酶7,肿瘤坏死因子受体超家族成员10A,10B和11A,列白石6和16,以及α1-微球蛋白/比库尼前体。基于这些蛋白质,聚类算法将队列分为两个不同的现象,每个群集将个体分组具有相似的蛋白质proFE。属于第二个集群(n = 118)的参与者的特征是心血管风险不利,心脏结构和功能不良。蛋白质组学现象歧视心脏重塑和功能障碍的高风险的分歧个体。在这种现象中,表现超声心动图异常的调整后风险高于另一个现象(p <0.0001)。结论,我们鉴定了与肾功能,细胞外基质重塑,血管生成和炎症有关的蛋白质,与早期心力衰竭的超声心动图符号相关。
摘要:利用太阳能是可持续发展和减轻贫困的改变游戏规则。太阳能不仅打击气候变化,而且还为经济机会打开了大门,并改善了服务不足地区的生活质量。太阳能电池板的安装对于应对诸如减少贫困和促进可持续发展目标等全球挑战至关重要。这项工作使用卫星和政府数据来绘制用于太阳能电池板的现场适用性,考虑到高程,风速,表面温度,土地使用土地覆盖,归一化的差分植被指数,一氧化碳一氧化碳水平,太阳能辐照,人口,与居民区,水域,水体,电力,电网和道路的距离。这项研究提供了一个全面的框架,用于评估太阳能电池板站点的适用性,整合环境和基础设施因素以优化放置。对印度拉贾斯坦邦地区的各种机器学习模型,例如XGBOOST,随机森林分类器和随机森林回归。XGBOOST的最佳模型的精度为0.982,精度为0.983,召回0.979,F1得分为0.981。同样,对于准确性,精度,召回和F1分别,测试值分别为0.934、0.882、0.985和0.931。选择XGBoost模型以创建太阳能电池板的适用性图。使用预先训练的Yolov8模型和Google Earth Pro图像混凝土屋顶。然后对屋顶图像进行剪辑和处理以确定边界。边缘检测和轮廓用于计算屋顶区域,根据可用屋顶空间估算太阳能电池板的数量及其潜在发电。本研究提供了一种干净可靠的能源解决方案,可以降低成本并改善欠发达和农村地区的生活质量。通过放置太阳能电池板,对化石燃料的依赖减少,这有助于减少温室气体排放并促进环境可持续性
摘要 - 由于人口和车辆的持续增长,全球道路交通事故一直在迅速增加。这项研究的目的是使用机器学习算法来创建一个模型来预测道路交通事故的严重性。该研究重点是预测的极端梯度提升(XGBOOST)算法,并将其性能与其他四种算法(即随机森林,包装,决策树和多层人物的Perceptron)进行了比较。研究方法涵盖了几个基本步骤,包括使用适当的指标进行数据预处理,班级加权,模型构建和绩效评估。结果表明,XGBoost模型在预测道路交通事故的严重程度(尤其是致命严重性事故)方面优于其他模型。该模型的精度为78%,召回57%,F1得分为66%,平衡精度为77%,令人印象深刻的ROC-AUC为90%。结果可以用于战略规划和实施适当措施,以减少和防止泰国道路交通事故。关键字:机器学习,极端梯度提升,道路交通事故的严重程度预测,道路交通事故1.简介
锂离子 (Li-ion) 电池是现代电力系统不可或缺的部件,但其性能会随着时间的推移而下降。准确预测这些电池的剩余使用寿命 (RUL) 对确保电网的可靠高效运行至关重要。在此基础上,本文提出了一种新的 Coati 集成卷积神经网络 (CNN)-XGBoost 方法,用于锂离子电池的早期 RUL 预测。该方法采用 CNN 架构,通过图像处理技术自动从电池放电容量数据中提取特征。从 CNN 模型中提取的特征与基于电池充电策略信息从前 100 个电池测量循环数据中提取的另一组特征相连接。然后将这组组合的特征输入 XGBoost 模型进行早期 RUL 预测。此外,Coati 优化方法 (COM) 用于 CNN 超参数调整,以提高所提出的 RUL 预测方法的性能。数值结果揭示了所提出方法在预测锂离子电池 RUL 方面的有效性,其中 RMSE 和 MAPE 分别获得了 106 次循环和 7.5% 的值。
摘要在本文中,我们探讨了各种深度学习技术来开发机器学习模型,以预测患者的第二次自动评估的肌萎缩性侧面硬化功能评级量表(ALSFRS-R)得分,以预测肌萎缩性侧向硬化功能评级量表(ALSFRS-R)。要执行任务,使用自动编码器和多个插补技术来处理数据集中存在的缺失值。预先处理数据后,使用随机的森林算法进行特征选择,然后开发了4个深神经网络预测模型。使用多层感知器(MLP),Feed Hearver Near Network(FFNN),复发性神经网络(RNN)和Long-Short术语记忆(LSTM)开发了四个预测模型。However, the developed models performed poorly when compared to other models in the global ranking hence, 3 more algorithms (Random Forest, Gabbing Regressor and XGBoost algorithm) were used to improve the performance of the models and the developed XGBoost algorithm outperformed other models developed in this paper as it produces minimal MAE and RMSE values.
多类算法:GBM、XGBoost、随机森林、逻辑回归、高斯朴素贝叶斯、决策树、多项式 SVM、RBF SVM、SVM、CNN、RNN、CRNN、ANN 单类算法:局部离群因子、一类 SVM、一类随机森林、孤立森林 标记、记录、验证和可视化时间序列传感器数据
技术堆栈:Python,Pytorch,Tensorflow,Keras,Scikit-Learn,Xgboost,onnx |自然语言处理(NLP):NLTK,Spacy,Gensim,Openai,Huggingface |计算机视觉:OPENCV,枕头,Tensorflow Hub,DeepFace,Midas,Paddleocr |推荐系统和语义搜索:矢量数据库(Milvus,Chromadb)| MLOPS:Azure ML Studio,AWS SageMaker,MLFlow
过去,已经开发了几种方法来预测信使RNA(mRNA)的单标签亚细胞定位。但是,仅设计有限的方法来预测mRNA的多标签亚细胞定位。此外,现有方法很慢,不能以转录组量表实现。在这项研究中,已经开发了一种快速可靠的方法来预测可以在基因组量表中实现的mRNA的多标签亚细胞定位。基于机器学习的方法是使用mRNA序列组成开发的,其中基于XGBoost的分类器在接收器操作员特征(AUROC)下达到了0.709(0.668 - 0.732)的平均面积。除了无对齐的方法外,我们还使用基准搜索技术开发了基于对齐的方法。最后,已经开发了一种结合XGBoost模型和基于基序的方法的混合技术,其平均AUROC为0.742(0.708 - 0.816)。我们的方法(MRSLPred)在性能和计算效率方面优于现有状态分类。已经开发了一种公开访问的Web服务器和独立工具,以促进研究人员(WebServer:https://webs.iiitd.edu.in/raghava/raghava/mrslpred/)。
摘要: - 预测建模在增强法律决策过程方面具有巨大的希望,尤其是在美国最高法院(SCOTUS)领域内。本文利用包括SCOTUS案例的数据集研究了机器学习(ML)算法在预测法律结果中的应用。通过严格的预处理和分析,应用了各种ML技术,包括决策树,随机森林,支持向量机(SVM),幼稚的贝叶斯,K-Nearest邻居(K-NN)和XGBoost。使用精度,召回,F1得分和准确度指标评估这些模型的性能,从而揭示了其有效性的细微差异。值得注意的是,XGBoost以72%的精度为最佳算法,展示了其在捕获复杂的法律模式方面的稳健性。相比之下,天真的贝叶斯和决策树算法的精度分别为61%和52%,突出了其适用于法律数据集的潜在局限性。比较分析阐明了每种算法的优势和劣势,强调了选择适合法律决策复杂性的适当技术的重要性。这项研究为法律研究中的预测建模的文献越来越多,为ML在增强法律程序的效率和功效方面的潜在应用和含义提供了宝贵的见解。
受试者和HBO/HBR-WISE分类模型嵌套的交叉验证具有超参数优化(5倍折叠à20次重复)公制AUC-ROC经验机会水平估计的经验机会水平估计了使用假人分类器分类器:线性判别分析(LDA),STER(LDA)(SSV MACHICER)(s vecter)(s vector)(s vecter)(范围)。平均,最大,最小,峰值2Peak,斜率,Time2Peak评估:交叉验证折叠上的自举以估计平均值及其置信区间