XiaoMi-AI文件搜索系统
World File Search Systemknn
使用机器学习的道路事故严重性预测 传导易燃电缆的方法...- IJRPR 雀巢的供应链管理-IJRPR 制造可持续的低成本反应堆来治疗家庭废水 用于诊断印度农村疾病的医疗人工智能工具 药物发现与开发中的人工智能-IJRPR 使用ML -IJRPR 预测电动电动机的电池rul
k-nearest邻居（KNN）是一种简单而功能强大的机器学习算法，用于分类和回归任务。在道路事故严重性预测的背景下，KNN可根据各种特征（例如天气条件，一天中的时间，道路类型，车辆类型，交通量等）来对事故的严重程度（例如，次要，中等，严重）进行分类。KNN算法可以通过比较给定数据点（即事故记录）中的范围（即，事故记录）的范围（即，事故记录）的范围（即，事故记录）的范围（即，事故记录）的范围（即，事故记录）的范围（即，事故记录）（即，事故记录）的范围（即，均为事故的范围）， 预言。k-nearest邻居（KNN）是一种简单而有效的算法，可预测道路事故严重性，尤其是当特征和结果之间的关系并不过于复杂时。尽管KNN提供了简单性和可解释性，但它确实具有诸如高计算成本和功能缩放敏感性之类的局限性。因此，KNN最适合较小的数据集或其简单性和易于理解的情况。
脑电图信号评估和分类的混合技术是神经和脑部疾病诊断的一步
脑电图 (EEG) 信号通常用于识别和诊断脑部疾病。每个 EEG 正常波形由以下波形组成：伽马 (γ) 波、贝塔 (β) 波、阿尔法 (α)、西塔 (θ) 和德尔塔 (δ)。神经系统疾病一词“NurDis”用于描述影响神经的各种疾病，癫痫、神经感染（细菌和病毒）、脑肿瘤、脑血管疾病、阿尔茨海默病和各种痴呆症都是神经系统疾病的例子。脑炎是影响大脑的疾病之一。本文使用的 EEG 信号来自 CHB-MIT 头皮 EEG 数据库。离散小波变换 (DWT) 用于从滤波后的 EEG 数据中提取特征。最后，使用 K 近邻 (KNN) 和支持向量机 (SVM) 等分类器根据所有计算出的特征将 EEG 信号分为正常和病理信号类。为了将信号归类为正常和异常组，使用了 KNN 和 SVM 分类器。对于这两个分类器，都确定了性能评估（准确度、灵敏度和特异性）。KNN 分类器准确率为 71.88%，而 SVM 分类器准确率为 81.23%。KNN 和 SVM 的灵敏度分别为 80.14% 和 77.31%。KNN 分类特异性为 69.62%，SVM 分类特异性为 98%。使用混淆矩阵评估两个分类器的性能。关键词：离散小波变换（DWT）、支持向量机（SVM）、脑电图（EEG）信号、K-最近邻（KNN）
使用 K 最近邻算法预测中风风险
摘要：中风是一种危及生命的严重疾病，需要尽早发现和干预以减轻其影响。该项目使用 K-最近邻 (KNN) 算法提出了一种中风预测模型，KNN 算法是一种流行的机器学习技术，以其在分类任务中的简单性和有效性而闻名。在 KNN 算法中，数据集被分为两类。第一类是中风风险高，第二类是中风风险低。该项目的目标是开发一个可靠且准确的预测系统，帮助医疗保健专业人员识别有中风风险的个体。该项目使用的数据集包括不同群体的各种人口统计、临床和生活方式特征，包括年龄、性别、高血压状况、婚姻状况、心脏病史、工作类型、吸烟习惯等。项目研究结果表明，基于 KNN 的中风预测模型在准确性、敏感性和特异性方面取得了令人鼓舞的结果。这表明 KNN 可以成为识别可能有中风风险的个体的有力工具，从而可以采取早期干预和预防措施。关键词：中风、k-近邻、逻辑回归、随机森林、机器学习算法
早期糖尿病检测和诊断的机器学习
在这项工作中，建议专门用于检测妊娠糖尿病（GDM）的基于机器学习（ML）的电子诊断系统。审查最近的GDM数据并概述了GDM与糖尿病前期疾病之间的紧密联系，以及我们的目标是胰岛素抵抗的未来下降和未来下降的潜力。本研究探讨了K-Nearest邻居（KNN）算法在广泛使用的PIMA Indians糖尿病数据库上的诊断中的应用。KNN算法是一种非参数，基于实例的学习方法，用于将个体归类为糖尿病或非糖尿病患者，我们的目标是评估算法的准确预测和探索影响其性能的因素的能力。该研究以数据预处理开始，包括处理丢失值，功能缩放以及将数据分解为训练和测试集。使用这些最佳拟合参数对KNN分类器进行了训练和测试。这项研究的结果揭示了一个模型在预测糖尿病诊断时精度约为0.76。这项研究研究了糖尿病患者分类的各种机器学习方法，包括召回，准确性，精度和F1评分。该研究讨论了超参数调整，数据预处理和数据处理不平衡的重要性在实现最佳KNN模型性能中的重要性。最后，这项研究显示了如何使用PIMA Indians糖尿病数据库来投射KNN算法。调查结果表明，KNN可以作为早期糖尿病的可行工具，为在医疗保健和预测建模中更广泛的应用铺平道路。
研究论文利用 K 最近邻算法增强水果分类和质量评估
本研究探讨了 K-最近邻 (KNN) 算法在水果分类和质量评估中的应用，旨在通过机器学习改进农业实践。该研究采用了一个全面的数据集，涵盖了水果的各种属性，例如大小、重量、甜度、脆度、多汁度、成熟度、酸度和质量，并利用 5 倍交叉验证方法来确保 KNN 模型性能的可靠性和通用性。研究结果表明，KNN 算法在所有指标上都表现出较高的准确度、精确度、召回率和 F1 分数，表明该算法在对水果进行分类和准确预测其质量方面非常有效。这些结果不仅验证了该算法在农业应用中的潜力，而且与现有关于机器学习解决复杂分类问题的能力的研究相一致。该研究的讨论延伸到在农业领域实施基于 KNN 的模型的实际意义，强调了彻底改变质量控制和库存管理流程的可能性。此外，该研究通过证实有关 KNN 在农业环境中有效性的假设，为该领域做出了贡献，并为未来的探索奠定了基础，这些探索可以整合多种机器学习技术以增强结果。后续研究的建议包括扩展数据集和探索算法协同作用，旨在进一步推动农业技术和机器学习应用的发展。
效率 - gnss坐标分类 - 与...
摘要：在广泛的流行病时期，许多人有患病毒的风险，例如Covid-19，Monkeypox和肺炎，从而导致对他人的影响的连锁反应。因此，疾病控制中心（CDC）通常通过监视和追踪受感染的个人及其地区来制定策略来管理这种情况。为方便起见，“目标”和“区域”代表以下个人和区域。全球导航卫星系统（GNSS）可以通过与尖端（PIP）相关的技术来帮助评估目标的定位区域。当有许多目标和区域时，仅依靠PIP技术从目标到区域进行分类可能会更有效。K-最近的邻居（KNN）分类的分类技术在各个域中广泛使用，提供可靠的分类精度。但是，KNN分类需要一定数量的目标，该目标具有执行区域（培训数据集），而培训数据集和分类时间的大小通常会表现出指数关系。本研究提出了一种应用KNN技术将目标分类为领域的策略。此外，在策略中，我们提出了一种自适应KNN算法来提高分类程序的效率。
沙特阿拉伯的糖尿病患病率分类的机器学习方法
摘要：机器学习算法已被广泛用于公共卫生中，用于预测或诊断流行病学慢性疾病，例如糖尿病，由于其较高的全球患病率，该疾病被归类为流行病。机器学习技术对于包括糖尿病在内的各种疾病的描述，预测和评估过程很有用。这项研究研究了沙特阿拉伯，根据相关的行为危险因素（吸烟，肥胖和不活动）对不同分类方法分类糖尿病患病率和预测趋势的能力。使用不同的机器学习算法（包括线性判别（LD），支持向量机（SVM），K -NER -NER -NEAR -最邻居（KNN）和神经网络模式识别（NPR））开发了用于糖尿病患病率的分类模型。使用了SVM的四个内核函数和两种类型的KNN算法，即线性SVM，Gaussian SVM，二次SVM，Cubic SVM，Finfine KNN和加权KNN。根据预测速度和培训时间，使用MATLAB中的分类学习者应用程序比较开发的分类器的性能评估，并使用分类学习者应用程序比较开发的分类器。分类模型的预测性能分析的实验结果表明，与其他分类方法相比，与其他分类方法相比，加权KNN在糖尿病患病率的预测中表现良好，最高平均准确性为94.5％，训练时间较少，男性和女性数据集则表现出色。
研究论文 基于脑电图的神经营销应用偏好分类
神经营销是一种现代营销研究技术，利用神经科学方法分析消费者的行为。在这项研究中，我们创建、处理和研究了消费者对图像广告反应的脑电图数据库，目的是建立能够根据消费者脑电图数据对其偏好进行分类的预测模型。我们使用三种分类器算法（即 SVM、KNN 和 NN 模式识别）进行了几种类型的分析。据报道，女性受试者和 KNN 分类器的最大准确度和灵敏度分别为 75.7% 和 95.8%。此外，额叶区域电极产生了最佳的选择性通道性能。最后，根据得到的结果，KNN 分类器被认为最适合解决偏好分类问题。新创建的数据集及其得出的结果将帮助研究界开展神经营销方面的进一步研究。
机器学习和对慢性疾病理解的可解释性
讨论•图2和3显示了SVM，KNN和LR模型的比较，表明SVM和KNN在准确性，精度，召回和F1得分等关键指标中的表现始终优于LR。•SVM总体上表现出最强大的性能，而KNN的精确性和召回率具有竞争力。lr虽然效率较低，但在更简单的情况下表现出了可接受的结果。•葡萄糖是最具影响力的特征，较高的值强烈促进阳性糖尿病预测。年龄和BMI也是重要的预测因子，其中较高的值通常表明风险增加。该图在视觉上区分高（粉红色）和低（蓝色）特征值及其相应的形状值，显示了单个特征如何影响模型的预测。•LinearSVC的表现最高，精度最高（0.76）和F1-SCORE（0.63）。
利用人工智能预测马拉松成绩
尽管研究使用机器学习算法来预测体育活动中的表现，但据我们所知，没有一项研究在马拉松跑步项目中使用和验证两种人工智能技术：人工神经网络 (ANN) 和 k 最近邻 (KNN)，并比较预测表现的准确度或精确度。通过 820 名运动员（年龄 21 岁，同年跑过 10 公里和一场跑得较慢的马拉松等）的数据集，对 2019 年法国 10 公里公路和马拉松赛事的官方排名进行了审查。对于 KNN 和 ANN，使用相同的输入（10 公里比赛时间、身体质量指数、年龄和性别）来解决线性回归问题以估计马拉松比赛时间。两种方法的实际马拉松表现和预测表现之间没有差异（p > 0,05）。所有预测成绩与实际成绩均具有显著相关性，相关系数非常高（r > 0.90；p < 0.001）。KNN 优于 ANN，平均绝对误差为 2.4 vs 5.6%。该研究证实了两种算法的有效性，KNN 在预测马拉松成绩方面的准确性更高。因此，这些人工智能方法的预测可用于训练计划和比赛。