XiaoMi-AI文件搜索系统
World File Search System交叉验证
enmeval.pdf
描述在用户定义的设置（即调整）的所有组合上运行生态利基模型，执行交叉验证以评估模型，并返回数据表以帮助选择最佳模型设置，以平衡拟合优点和模型复杂性。还具有空间（或没有）以交叉验证分配数据的功能，以绘制重新销售的多个可视化，以估算效率和效果大小，以估算性能群体的显着性和效果大小，并计算模型预测之间的重叠范围。包装最初是为Maxent模型制造的（Phillips等人。2006，Phillips等。 2017），但是Curlant版本允许任何建模算法可能扩展。 广泛的Vi-Gnette可以指导用户掌握大多数包装功能，但不幸的是，可以在包装的Github页面网站上找到文件大小，但可以在此处找到：。2006，Phillips等。2017），但是Curlant版本允许任何建模算法可能扩展。广泛的Vi-Gnette可以指导用户掌握大多数包装功能，但不幸的是，可以在包装的Github页面网站上找到文件大小，但可以在此处找到：。
几种有效机器的比较评估...
摘要：通过分析孕妇的年龄、心率、血氧水平、血压和体温，可以评估某些患者的风险复杂性。及早识别和分类风险变量可以减少错误，从而成功预防妊娠相关问题。孕妇风险分析可以改善产前护理，改善母婴健康，并通过使用机器学习算法（例如 LDA、QDA、KNN、决策树、随机森林、Bagging 和支持向量机）识别错误分类的观测值来优化医疗资源，这些算法对孕产妇健康风险评估具有重要影响。应用了分割验证技术，使用 800 个观测值进行训练，使用 214 个观测值进行测试。此外，使用 10 倍交叉验证技术确定了最可靠的模型。所提出的模型在准确性和效率方面优于所有其他模型，使用 10 倍交叉验证技术的支持向量机的准确率为 86.13%。本研究的目的是利用机器学习技术，通过在风险因素分析中采用分类策略来估计孕产妇健康问题的强度水平。
概率神经网络（PNN）和K ...
印度尼西亚尼格利·塞马朗大学摘要。目的：本研究旨在比较PNN和K-NN算法，以确定用于糖尿病分类的准确性和速度。方法：本研究中使用了两种算法，即概率神经网络（PNN）和K-Nearest邻居（K-NN）。使用的数据是PIMA印第安人糖尿病数据库。数据集包含768个带有8个属性和1个目标类别的数据，即无糖尿病为0，糖尿病为1个。数据集已分为80％的培训数据和20％的测试数据。结果：实现K折交叉验证后获得精度（k = 4）。准确性结果表明，与PNN相比，K-NN算法具有更好的快速性。K-NN算法的所有功能的精度为74.6％，四个功能的精度为78.1％。新颖性：本文的新颖性是通过关注分类算法中的数据预处理，特征选择和K折的交叉验证来优化和提高准确性。关键字：数据挖掘，功能选择，K-折叠验证，k-nearest邻居，2023年2月6日收到的概率神经网络 / 2023年2月9日 / 2023年9月14日接受修订。
使用基于树的模型预测心脏病-UCF星星
摘要 - 本文介绍了一项关于使用机器学习算法预测心脏病的研究，这是全球死亡的主要原因。该研究的重点是决策树算法的使用，该算法具有考虑大量危险因素的优势。心脏病数据集是从UCI机器学习存储库中获得的，并使用决策树分类器进行了分析。数据集有6个丢失的数据点，这些数据点已被删除，留下了279个实例进行分析。对具有两个以上响应的分类变量进行了单次编码。使用5倍交叉验证来优化决策树分类器以选择最佳参数。结果表明，决策树分类器的准确性可以正确预测81％的患者患有心脏病，并且因没有心脏病而明智的82％，这比以前研究中使用的其他机器学习算法高。这项研究证明了决策树算法预测心脏病的潜力，并突出了早期鉴定出患心血管疾病风险的个体的重要性。索引术语 - 机器学习算法，心脏病预测，决策树算法，UCI机器学习存储库，5倍交叉验证
使用机器学习的作物推荐系统
抽象农业是人类生存的基本方面，面临着作物选择方面的挑战，影响了资源分配和生产力。该项目通过提出使用软投票分类器合奏方法的稳定系统来解决这些挑战。合奏包括幼稚的贝叶斯，支持向量机（SVM），决策树和随机森林分类器，提供个性化的作物建议。可行性分析包括技术，运营，经济和调度方面，以确保实用性和有效性。开发遵循增量模型，强调通过反馈的连续增强。结果表明单个分类器的准确性（“决策树”：98.38％，“随机森林”：98.90％，'幼稚的贝叶斯：98.14％，'SVM'：98.50％），整体精度为98.99％。交叉验证证实了鲁棒性。评估指标，例如召回，精度和F1分数表明，软投票合奏的表现优于单个分类器，强调了其在优化农业中作物选择过程的有效性，并促进了改善的资源管理和生产力。关键字：合奏，建议，交叉验证，鲁棒性，回忆1。简介
使用多模态 MRI 的放射纹理特征描述符来区分复发性脑肿瘤与放射性坏死
尽管采取了化学放射疗法和手术切除等多模式积极治疗，多形性胶质母细胞瘤 (GBM) 仍有可能复发，这被称为复发性脑肿瘤 (rBT)。在多种情况下，良性和恶性病变在放射影像上可能看起来非常相似。其中一个例子就是放射性坏死 (RN)（放射治疗的中度良性影响），在结构磁共振成像 (MRI) 上，它们在视觉上几乎与 rBT 无法区分。因此，需要在常规获取的脑部 MRI 扫描中识别可靠的非侵入性定量测量：对比前 T1 加权 (T1)、对比后 T1 加权 (T1Gd)、T2 加权 (T2) 和 T2 液体衰减反转恢复 (FLAIR)，可以准确区分 rBT 和 RN。在这项工作中，复杂的放射纹理特征用于在多模式 MRI 上区分 rBT 和 RN，以进行疾病表征。首先，提取随机多分辨率放射组学描述符，该描述符可捕获体素级纹理和结构异质性以及强度和直方图特征。随后，这些特征用于机器学习设置，以从四个 MRI 序列（包含 30 个 GBM 病例（12 个 RN，18 个 rBT）的 155 个成像切片）中表征来自 RN 的 rBT。为了减少准确度估计的偏差，我们使用留一交叉验证 (LOOCV) 和分层 5 倍交叉验证与随机森林分类器来实现模型。在本研究中，我们的模型使用多分辨率纹理特征区分 rBT 与 RN，对于 LOOCV 提供 0.967 ± 0.180 的平均准确度，对于分层 5 倍交叉验证提供 0.933 ± 0.082 的平均准确度。我们的研究结果表明，与文献中的其他研究相比，复杂的纹理特征可以更好地区分 MRI 中的 rBT 和 RN。关键词：复发性脑肿瘤，放射性坏死，放射组学特征，多模态磁共振成像
用CNN和LSTM诊断急性冠状动脉综合征
摘要： - 急性冠状动脉综合征（ACS）及其亚型的早期和准确诊断对于患者健康至关重要。这项研究的目的是利用心电图（ECG）信号开发一种深度学习方法来对ACS及其不同类型进行分类。该模型是使用卷积神经网络和长期短期记忆结构的组合来构建的，以对代表急性心肌梗死的ECG信号（STEMI），心肌梗死，没有ST-ST-ST-SEPITION（NSTEMI）和健康的个体。数据集由从Erciyes大学医院急诊室出现胸痛的患者收集的12个铅ECG信号。ECG数据以使用Notch，低通和高通滤波器来消除噪声，然后使用Z得分归一化进行标准化。通过k-折叠交叉验证评估模型性能，计算指标，例如准确性，灵敏度，特异性，精度，F1分数和分类率。具有5倍交叉验证，分类精度为ACS-正常组为0.928±0.0172，NSTEMI正常组为0.891±0.0083，STEMI-Nortoral组为0.886±0.02275。这些发现表明，所提出的深度学习模型可有效区分ACS及其亚型，显示出对将来整合到临床应用中的希望。
虚拟现实中的实时情感检测：基于情感和脑电信号三维模型的技术
本文探讨了一种实时检测虚拟现实 (VR) 用户情感状态的技术的开发。该技术通过一项实验的数据进行测试，实验中 18 名参与者在 VR 家庭影院内观看了 16 个包含情感内容的视频，同时记录了他们的脑电图 (EEG) 信号。参与者根据三维情感模型评估了他们对视频的情感反应。分析了该技术的两种变体。两种变体之间的区别在于用于特征选择的方法。在第一个变体中，使用线性混合效应 (LME) 模型选择从 EEG 信号中提取的特征。在第二个变体中，使用递归特征消除和交叉验证 (RFECV) 选择特征。两种变体都使用随机森林来构建分类模型。通过交叉验证获得准确度、精确度、召回率和 F1 分数。进行了方差分析以比较每个变体中构建的模型的准确性。结果表明，特征选择方法对分类模型的准确性没有显著影响。因此，两种变体（LME 和 RFECV）在检测 VR 用户的情感状态方面似乎同样可靠。分类模型的平均准确率在 87% 到 93% 之间。
使用基于小波散射的特征对酒精性脑电图进行分类
在研究问题和相关数据集之后，特征提取是机器学习和数据科学管道的最重要组成部分。小波散射变换（WST）是最近开发的基于知识的特征提取技术，在结构上像卷积神经网络（CNN）一样。它保存在高频中，对信号变形不敏感，并产生分类任务中通常需要的实价信号的较低差异。借助来自公共可用UCI数据库的数据，我们研究了从多通道脑电图（EEG）信号中提取的基于WST的功能的能力，以区分20名酗酒和20个男性健康的男性的男性受试者的1.0-S EEG记录。使用记录的10倍交叉验证，我们发现输入到支持向量机（SVM）分类器的基于WST的特征能够正确对所有酒精和正常EEG记录进行正确分类。使用1D CNN实现了类似的性能。相比之下，最高的独立主题平均值10倍跨验证性能是通过馈送到线性判别（LDA）分类器的基于WST的特征实现的。使用两种10倍的交叉验证方法获得的结果表明，WST与CON CON CONTAILAL分类器一起是CNN的替代品，用于对酒精和正常脑电图分类。在区分酒精和正常的脑电图记录方面，枕骨和顶部区域的基于WST的特征是最有用的。
3D‐MASNet：针对 6 个月大婴儿脑部 MRI 图像的 3D 混合尺度非对称卷积分割网络
图 4 3D-MASNet 框架中五种候选 CNN 架构的分割性能改进箱线图。第一列显示 DICE 的测量值，以表示每种组织类型的分割准确度。第二列显示 MHD 的结果。在每个子图中，我们使用两个相邻箱线图来表示候选模型（第一条）及其对应的 3D-MASNet（第二条）。通过两重交叉验证评估模型比较的重要性。“ * ”表示 .01 ≤ p < .05，“ ** ”表示 .001 ≤ p < .01，“ *** ”表示 p < .001。