XiaoMi-AI文件搜索系统
World File Search System回归技术
用惩罚回归技术测量线性多元过程中的连通性
对耦合和因果关系的时间和频域度量的评估依赖于线性多元过程的参数表示。时间序列之间时间依赖性的研究基于矢量自回旋模型的识别。通过通过普通最小二乘（OLS）估计器解决的回归问题的定义来实现此过程。但是，其准确性受到数据点不足的强烈影响，并且并不能保证稳定的解决方案。要克服这个问题，可以使用受惩罚的回归技术。这项工作的目的是将OLS的行为与不同实验条件下连通性分析的不同惩罚回归方法进行比较。偏见，用于此目的的网络结构重建和计算时间的重建精度。通过模拟数据在不同量的可用数据示例中实现不同的地面真实网络的模拟数据测试了不同的惩罚回归。然后，将方法应用于从执行运动成像任务的健康志愿者中记录的真实脑电图信号（EEG）。惩罚的回归优于仿真设置中的OLS。实际脑电图数据上的应用程序显示了如何使用从大脑网络中提取的功能，即使在数据匮乏的条件下，也可以在两个任务之间进行分解。惩罚回归技术可用于大脑连通性估计，并且可以根据线性假设克服经典OLS施加的局限性来计算所有连接性估计器。
机器学习 - IT专家技术
类型的监督学习分类类型与机器学习中的回归开始，从分类的基本概念（数据挖掘）的基本概念（数据挖掘）ML梯度下降算法中的回归技术类型及其变体开始从分类逻辑回归开始，为什么使用Python使用Python，为什么分类中对支持矢量机（SVM）决策树（SVM）类型的监督学习分类类型与机器学习中的回归开始，从分类的基本概念（数据挖掘）的基本概念（数据挖掘）ML梯度下降算法中的回归技术类型及其变体开始从分类逻辑回归开始，为什么使用Python使用Python，为什么分类中对支持矢量机（SVM）决策树（SVM）
巴西的机器学习模型
摘要：巴西表现出与闪电相关的死亡人数最多。这项研究旨在确定与巴西死亡有关的关键受害者特征，并开发一个模型，以预测死亡人数是受害者数据的功能。分析了巴西统一健康系统信息学部提供的数据集（Datasus），并应用了机器学习回归技术。发现促进渐变回归器（GBR）模型是最有效的，可实现97％的预测准确性。通过对34个初始变量的分析，将10个变量确定为对模型结果的影响最大。这些变化包括种族，性别，年龄段，职业事故，教育和死亡地点。理解这些宪法对于在各个地区实施有针对性的预防和安全策略至关重要，有助于减轻全球与闪电相关的死亡风险。此外，本研究中使用的方法可以作为在不同位置进行类似研究的框架，从而可以识别每个区域的重要因素。通过适应机器学习回归技术并结合了本地数据集，研究人员可以对与雷电相关的死亡的决定因素有宝贵的见解，从而能够开发有效的预防和安全措施，以达到特定地理区域。
用机器学习估算电动汽车驾驶范围
摘要：在过去的几年中，我们目睹了使用电动汽车（EV）的增加，现在已被广泛接受为可靠和环保的运输方式。选择EV时，通常是消费者选择的关键参数之一是其驱动范围（DR）功能。DR取决于预测其价值时应解决的许多因素。在某些情况下，现有的DR估计启发式启发式技术提供了差异很大的值，这可能会引起驾驶员焦虑。在本文中，我们探讨了机器学习（ML）技术的使用来估计DR。从公开可用的数据中，我们构建了一个数据集，该数据集具有适用于DR的EV数据的数据集。然后，我们诉诸于在数据集中学到的模型上进行回归技术，并通过标准指标进行评估。实验结果表明，回归技术对短途和长途旅行的DR值进行了足够和平稳的估计，从而避免了使用先前的启发式技术的需求，从而最大程度地减少了驱动程序的焦虑并允许更好的行程计划。
通过多尺度线性回归建模从全球数字高程模型中提取建筑区域的广义垂直分量
使用线性最小二乘回归技术，以 250 米的空间分辨率概括了经多尺度卷积、形态和纹理变换过滤的免费数字高程模型 (DEM) 全球数据中建筑区的垂直分量估计值。选择了六个测试案例：香港、伦敦、纽约、旧金山、圣保罗和多伦多。根据 60 种线性、形态和纹理过滤组合以及不同的概括技术，对五个全球 DEM 和两个 DEM 复合材料进行了评估。引入了四种广义的建筑区垂直分量估计值：平均建筑总高度 (AGBH)、平均净建筑高度 (ANBH)、建筑总高度标准差 (SGBH) 和净建筑高度标准差 (SNBH)。研究表明，ANBH 和 SNBH 给出的净 GVC 最佳估计值总是比 AGBH 和 SGBH 给出的相应总 GVC 估计值包含更大的误差，无论是平均值还是标准差。在本研究评估的源中，使用单变量线性回归技术估计建筑区 GVC 的最佳 DEM 源是使用联合运算符 (CMP_SRTM30-AW3D30_U) 的 1 弧秒航天飞机雷达地形测绘任务 (SRTM30) 和先进陆地观测卫星 (ALOS) 世界 3D-30 米 (AW3D30) 的组合。使用 16 颗卫星开发了一个多元线性模型
使用机器学习的房屋价格预测-IJRPR
机器学习模型，例如线性回归，随机森林，梯度提升和SVM，对房价预测有效。回归技术捕获特征关系，而高级方法处理复杂的模式。预处理和功能工程可显着提高模型性能。将算法结合到整体方法中可确保可靠的预测和适应性。全面的数据集和用户友好的接口改善了实用性。此策略为房地产估值提供了准确的见解，并支持利益相关者的知情决策。
使用回归分析监测单通道脑电图数据的轻度认知障碍的疾病严重程度
摘要：认知健康的声音偏差称为轻度认知障碍（MCI），尽早监测它以防止痴呆症，阿尔茨海默氏病（AD）和帕金森氏病（PD）等复杂疾病。传统上，使用蒙特利尔认知评估（MOCA）对MCI严重性进行了手动评分来监测。在这项研究中，我们提出了一种新的MCI严重性监测算法，并通过自动产生与MOCA评分等效的严重程度得分来回归分析单通道电 - 摄影（EEG）数据的提取特征。我们评估了用于算法开发的多试验和单轨分析。进行多试验分析，从与突出的事件相关电位（ERP）点和相应的时域特征中提取了590个特征，我们利用Lasso回归技术选择了最佳功能集。经典回归技术中使用了13个最佳特征：多元回归（MR），集合回归（ER），支持向量回归（SVR）和Ridge回归（RR）。对ER的最佳结果是1.6的RMSE和剩余分析。在单审分析中，我们从每个试验中提取了一个时间 - 频图图像，并将其作为对构建的卷积深神经网络（CNN）的输入。这种深CNN模型的RMSE为2.76。据我们所知，这是从单渠道脑电图数据中使用多试和单个数据生成与MOCA相当于MOCA的MCI严重程度的自动分数。
ECON S-1123计量经济学课程简介...
课程描述：本课程是用于分析经济学和相关领域数据的多元回归方法的介绍。学生学习如何进行实证研究，以及如何分析和解释其他经验工作的结果。重点是对计量经济学分析原理的直观理解并将其应用于实际数据。我们从统计学的基础知识开始，包括一些概率理论和采样，估计和假设检验中的基本概念。主题，例如多元回归技术以及与偏离误差结构的标准假设有关的问题，包括要讨论的主要主题。除了模型规范和数据问题外，使用其他方法，例如仪器变量，概率/logit，面板数据模型和基本时间序列方法也是课程议程的一部分。
