XiaoMi-AI文件搜索系统
World File Search Systemxgboost
人工智能预测新冠病毒死亡风险：来自加拿大应用的见解
摘要 — 严重急性呼吸道综合征 COVID-19 病毒 (SARS-CoV-2) 产生了巨大影响，表明需要使用人工智能 (AI) 建模进行非药物干预 (NPI)。对人工智能模型和统计模型的调查为安大略省提供了重要的见解，作为案例研究应用，使用来自安大略省公共卫生局 (PHO) 和加拿大公共卫生署 (PHAC) 数据集的患者生理状况、症状和人口统计信息。使用 XGBoost 的结果为 PHO 提供了 0.9056 的准确度，为 PHAC 数据集提供了 0.935 的准确度。年龄被证明是最重要的变量，接下来的两个变量是住院和职业。此外，人工智能模型表明，在大流行期间治疗 COVID-19 病毒的六个月内发展起来的改进医疗实践的重要性，并且年龄现在绝对是关键因素，而大流行开始时对死亡率很重要的其他变量的重要性要低得多。当训练数据集超过 1000 个病例时，XGBoost 模型被证明是相当准确的，这表明即使有效利用 AI 模型所需的病例数量不大，AI 也绝对有潜力成为抗击 COVID-19 的有用工具。索引词 — 人工智能；冠状病毒病；COVID-19；流行病学模型；机器学习；恢复预测；SARS-CoV-2；XGBoost
利用机器学习算法进行电子搅拌的全面预测和分析研究
摘要：准确预测客户流失对于希望增强客户保留和维持增长的电子商务企业至关重要。这项研究评估了各种机器学习模型在预测客户流失方面的性能，包括支持向量机（SVM），逻辑回归（LR），极端梯度增强（XGBOOST），随机森林（RF），决策树（DT）和适应性增强（Adaboost）。通过评估每个模型的准确性，精度，召回和F1分数，我们确定集合学习方法，尤其是随机森林和XGBoost，都是优越的。随机森林模型的出色精度为96.81％，精度为95.20％，召回98.70％，F1得分为96.92％。同样，XGBoost的精度为96.27％，精度为93.72％，召回99.31％，F1得分为96.43％。SVM和决策树模型显示出中等的有效性，而逻辑回归和Adaboost的性能指标较低。这些结果突出了整体技术在处理搅拌预测的复杂性方面的强度。该研究得出的结论是，利用高级机器学习模型，尤其是集合方法，可以显着提高客户流失预测的准确性和可靠性。这种进步使电子商务企业能够实施积极有效的客户保留策略，降低流失率并提高客户忠诚度。未来的工作应考虑合并其他功能，并将这些模型应用于现实世界数据集，以进一步验证和完善其预测能力。关键字：客户流失，数据分析，电子商务，机器学习，预测建模。
利用深度学习和手工放射组学预测立体定向放射治疗后脑肿瘤的不良放射效应
方法：收集接受 SRT 治疗 BM 的患者的钆增强 T1 加权 MRI 和特征，用于来自不同机构的训练和测试队列（N = 1,404）和验证队列（N = 237）。从训练集中的每个病变中提取放射组学特征并用于训练极端梯度增强 (XGBoost) 模型。在同一队列上训练 DL 模型以进行单独预测并提取最后一层特征。使用 XGBoost 的不同模型仅使用放射组学特征、DL 特征和患者特征或它们的组合构建。使用外部数据集上的受试者工作特征曲线的曲线下面积 (AUC) 进行评估。研究了对个体病变和每个患者发展为 ARE 的预测。
利用深度学习和手工放射组学预测立体定向放射治疗后脑肿瘤的不良放射效应
方法：收集接受 SRT 治疗 BM 的患者的钆增强 T1 加权 MRI 和特征，用于来自不同机构的训练和测试队列（N = 1,404）和验证队列（N = 237）。从训练集中的每个病变中提取放射组学特征并用于训练极端梯度增强 (XGBoost) 模型。在同一队列上训练 DL 模型以进行单独预测并提取最后一层特征。使用 XGBoost 的不同模型仅使用放射组学特征、DL 特征和患者特征或它们的组合构建。使用外部数据集上的受试者工作特征曲线的曲线下面积 (AUC) 进行评估。研究了对个体病变和每个患者发展为 ARE 的预测。
人工智能应用，用于在下弗里利亚平原（意大利东北）
地热能作为可持续和清洁能源取决于储层温度的准确估计。理解含水层温度对于优化低率地地热系统开发至关重要。预测算法的进步可以提高地热效率，而间接温度测量的常规方法和地球化学分析中的假设会导致不确定性。作为一种措施，本研究对六种机器学习算法进行了全面评估，包括极端梯度提升（XGBoost），决策树，广义回归神经网络，极端的随机树，径向基础功能和弹性网。我们采用了基本绩效指标，包括确定系数（R 2）得分，均方根误差（RMSE），平均绝对误差（MAE），平均绝对百分比误差（MAPE）和差异（VAF）来阐明其预测精度和较低的Friulian Plain（Northerian Plain（Northerian Plain）（Northerev）（easterth）的预测准确性和普遍性作用。在经过审查的Al Gorithm中，XGBoost成为一个预测的示例，在测试数据集中取得了0.9930的显着r 2分数，始终为0.788，MAE为0.587，MAE为0.587，MAPE，MAPE为1.909，MAPE为1.909，高VAF为99.30，其出色的精确度和强大的精确度和强大的精确度。值得注意的是，其他四个模型的性能比XGBoost稍弱，而弹性网显示中等的预测能力，这说明了数据库的复杂性。进行了灵敏度分析，以确定影响温度预测的主要因素。与其他算法相比，Wilcoxon签名的秩检验证实了XGBoost在估计地热温度方面的出色性能，统计证据支持其精度和可靠性。用于不确定性分析的蒙特卡洛模拟强调了模型选择，准确性和不确定性管理在较低弗里利亚平原的地热项目计划中的重要性。在考虑的参数中，碳酸氢盐在0.51时的最高显着性，这对于准确的温度预测至关重要，因为它的缓冲能力直接影响水的热特性。镁和电导率每种都有0.11的贡献，也起着重要作用，因为它们对水的保留和分布能力的影响。水深为0.08，对预测模型中的温度曲线也有很大的影响。总而言之，在下部弗里利亚平原中，碳酸盐储层中XGBoost对含水层温度的准确预测强调了其优化地热资源的价值，并突出了对温度的最重要影响。
电影推荐系统的合奏机器学习模型
摘要本文致力于评估电影推荐系统中集合机器学习模型的有效性。它探讨了各种集合方法，包括随机森林，adaboost，XGBoost，LightGBM，Catboost和梯度提升机，以增强预测用户偏好的准确性。该研究基于Movielens 100K数据集，该数据集包含1,682部电影中943位用户的100,000个评级。功能工程，数据归一化方法和迭代功能选择的应用提高了模型准确预测用户兴趣的能力。分析表明，XGBoost模型的最佳结果为0.902，与所考虑的其他模型相比，预测准确性更高。LightGBM和Catboost还显示了竞争结果，RMSE值分别为0.910和0.919。这项研究强调了综合方法在开发适应用户各种偏好和环境的建议系统中的重要性，并在该领域开辟了广泛的观点，以进一步研究。
使用机器学习预测心血管疾病
摘要 —心血管疾病 (CVD) 是全球主要死亡原因之一。早期诊断和干预对于降低与这些疾病相关的风险至关重要。在本研究中，我们提出了一种基于机器学习的系统，使用极端梯度提升 (XGBoost) 技术预测心血管疾病。我们采用随机搜索的特征选择和超参数优化来提高模型的准确性。通过交叉验证评估模型的性能，并与其他算法进行比较，包括 K 最近邻 (KNN)、朴素贝叶斯、支持向量机 (SVM) 和随机森林。实验结果表明，我们基于 XGBoost 的模型优于其他算法，准确率为 98%，ROC 曲线下面积为 0.98。索引词 —心血管疾病、机器学习、XG-Boost、特征选择、超参数调整、随机搜索、交叉验证、预测模型、算法比较。
使用AI/ML技术监测北极降水
kandivali（东部），孟买，马哈拉施特拉邦，印度摘要：在气候变化和环境转变的背景下，监测北极降水已成为一个关键问题，尤其是在研究不足的地区，在数据稀缺的地区有效预测。本文通过采用先进的机器学习技术，包括随机森林（RF），XGBOOST和LOGISTIS回归提出了一种创新的方法来增强降水预测的准确性。结果表明，逻辑回归达到了98％的最高精度，而随机森林和Xgboost均表现出88％的精度。通过利用包含关键参数的全面数据集，例如日期，云覆盖，阳光，全球辐射，温度指标，降水水平和积雪深度，我们的模型旨在提供及时，精确的预测。该方法将这些机器学习算法整合在一起，以分析和解释气象因素之间的复杂相互作用，最终改善了预测结果。我们的发现表明，与传统方法相比，这种综合方法显着提高了预测准确性，这使其成为偏远北极地区实际应用的可行解决方案。通过促进早期发现和对降水模式的理解，这项研究有助于更好的资源管理，并为应对气候变异性带来的挑战而有助于理解决策，最终旨在减轻弱势弧菌生态系统变化降水动态的影响。关键字：降水预测，气候变化，机器学习，随机森林（RF），XGBoost，Logistic回归，气象数据分析。
使用机器学习的一种提议的技术通过移动应用预测糖尿病疾病
随着沙特阿拉伯糖尿病患病率的日益增长，迫切需要早期发现和预测该疾病以防止长期健康并发症。TIS研究通过使用机器学习（ML）技术来解决这一需求，该技术通过实现用于预测糖尿病的计算机化系统，应用于PIMA Indians数据集和私人糖尿病数据集。与先前的研究相反，本研究采用了半佩斯的模型，结合了强大的梯度提升，有效地预测了数据集的糖尿病相关特征。此外，研究人员采用了SMOTE技术来处理不平衡的类别。十种ML分类技术，包括逻辑回归，随机森林，KNN，决策树，包装，Adaboost，Xgboost，Xgboost，投票，SVM和Naive Bayes，以确定产生最准确的糖尿病预测的算法。提议的方法取得了令人印象深刻的表现。对于私有数据集，带有SMOTE的XGBoost算法的精度为97.4％，F1系数为0.95，AUC为0.87。对于组合数据集，它的精度为83.1％，F1系数为0.76，AUC为0.85。要了解模型如何预测FNAL结果，实现了使用Shap方法解释的AI技术。此外，该研究通过应用域适应方法证明了所提出的系统的适应性。为了进一步增强可访问性，已经为基于用户输入功能的即时糖尿病预测开发了移动应用程序。TIS研究为基于ML的糖尿病预测而贡献了新的见解和技术，这可能有助于对沙特阿拉伯糖尿病的早期检测和管理。