XiaoMi-AI文件搜索系统
World File Search System回归模型
用于计算小型飞机燃气涡轮发动机重量的相关回归模型
摘要。提出了几种用于小型航空燃气涡轮发动机概念设计阶段的重量计算的新相关回归模型。对获得的重量模型进行了相互比较，并与 Kuz'michev 模型进行了比较。根据获得的结果，得出了关于其可行性和应用范围的结论。新的相关回归模型在输入参数的数量以及预测重量的准确性方面有所不同。在工作过程中，创建了涡扇发动机 (TFE) 的主要数据和热力学参数数据库，该数据库由 92 台推力小于 50 kN 的小型 TFE 组成。根据收集到的统计数据，获得了允许在发动机设计初始阶段计算重量的公式。这些模型计算权重的误差在 10% 到 30% 之间。
线性回归模型预测实验科学专业学生人工智能的使用情况
本研究建立在技术整合在高等教育中日益重要的地位，特别是在教育环境中人工智能 (AI) 的使用。背景研究强调，教育项目中对人工智能培训的探索有限，尤其是在拉丁美洲。人工智能在教育实践中变得越来越重要，影响着包括实验科学在内的各个学科能力的发展。本研究旨在描述钦博拉索国立大学实验科学教育项目学生在人工智能、人工智能使用和数字资源方面的专业能力之间的相关性。在方法上，采用了定量方法，涉及对 459 名学生进行结构化调查。使用多元回归模型进行数据分析，以建立对人工智能使用的预测见解。开发了一个多元线性回归模型来预测这些学生的人工智能使用情况。分析显示，人工智能能力、人工智能使用和数字资源之间存在显著相关性。回归模型强调，人工智能能力和数字资源都是人工智能使用的重要预测因素。这些发现强调了发展人工智能能力和提供数字资源访问权限以加强人工智能在教育实践中有效使用的重要性。讨论了局限性和未来的研究方向。
足球联盟使用机器学习回归模型Mohamed Rebbouj 1*＆Say Lotfi 1
抽象背景。体育结果预测分析基于博彩应用结果，尚未受到摩洛哥有关组织的学术研究。目标。本研究旨在使用具有弹性净算法的机器学习回归模型来预测足球国家联盟的排名，我们在其中确定了重要特征的预测重量。方法。自2009/2010赛季以来的8个常规球队的历史分数数据集被手动填充并分为9列：赛季，球队，得分，进球差（+/-），比赛（M），比赛赢得（W），比赛（w），匹配（D）（D），比赛丢失（L），进球（F）和（F）和（F）和（a）。然后将其预处理成分类数据，分类哈希和数值。结果。机器学习分析导致R 2得分= 0.999，NRMSE = 0.001和Spearman相关性= 0.997。然而，与2021/2022季节的实际结果相比，预测的排名从8个起到了约5个。结论。与回归分析结果相比，实际结果的排名预测已准确地占75％。通过包括其他参数，这证明数据质量需要更精确。关键字：足球排名，机器学习，回归，预测。引言足球成绩和结果预测一直是Tips和博彩市场专家（1）的重点中心，并且已成为教练，体育科学家，分析师和表现专家的更重要的感兴趣中心；设计最佳实践，训练和竞争任务（2-4）。因此，研究人员已经开始应用数学公式和统计数据（5）来预测结果，而机器学习和智能算法已被普遍使用（6），并将足球结果视为一个分类问题，将一个班级的分类问题（赢得，输掉或抽奖）作为一个类别。但其他研究人员认为该问题是基于数值分析和值的回归模型中预测的数值价值，以预测特定的距离（7）或运动员在跳跃和投掷方面所实现的表现。运动结果预测问题在于要收集的数据，以及考虑对结果的影响的输入功能。一些研究人员专注于团队的历史数据，例如球队的要点，进球差，比赛，得分，丢失，进球，进球和对抗（8）的进球； （9）在最近几周和联盟中使用更多的预测标准作为团队的条件，而质量
使用灌溉指数、人工神经网络和偏最小二乘回归模型对埃及尼罗河进行水质评估和预测
1 水文地质学、自然资源评估系、环境研究与研究所、萨达特城大学、梅努菲亚 32897、埃及 2 环境地质学、环境系统自然资源测量系、环境研究与研究所、萨达特城大学、梅努菲亚 32897、埃及；ali.saleh@esri.usc.edu.eg 3 地质学系、理学院、达曼胡尔大学、达曼胡尔 22511、埃及；hendhussein@sci.dmu.edu.eg 4 农业工程、自然资源评估系、环境研究与研究所、萨达特城大学、梅努菲亚 32897、埃及 5 农业工程、环境系统自然资源测量系、环境研究与研究所、萨达特城大学、梅努菲亚 32897、埃及； farouk@esri.usc.edu.eg * 通讯地址：mohamed.gad@esri.usc.edu.eg (M.G.); salah.emam@esri.usc.edu.eg (S.E.)
正则化函数回归模型可实现转录组范围内癌症药物反应剂量依赖性关联研究
图 1. 用于识别基因与药物之间剂量依赖性关联的两阶段算法。来自药物筛选研究（例如 GDSC）的基因表达和药物反应数据用于拟合我们的剂量变化系数模型，以估计协变量与药物反应之间的剂量变化效应。应用两阶段变量筛选和选择算法对基因-药物关联进行排序。然后可以使用所选基因来预测目标药物的剂量依赖性反应。
抗菌消耗对大肠杆菌耐药性的影响：使用动态回归模型在法国大学医院（2014- 2019年）进行评估和预测
2。方法2.1。研究设计和设置使用Consores软件（一种用于监视法国公共卫生机构提供的AMC和AMR数据的工具），在2014年1月至2019年12月之间进行了法国教学医院的回顾性生态研究。Nimes University医院有1773张病床，包括46张病床，有24张床，用于血液学，235张手术，长期为190。在研究期间，每年接受41 300至50 100个住院患者，住院时间为55 200天/月，每年增加到2019年的57 500天/月。2.2。细菌样品分析了研究期间收集的大肠杆菌阳性的所有微生物样品。从门诊病人获得的样本，或在急诊室或在入院48小时内收集的样本，除非患者
基于快速检测纸板
摘要：长期以来，农药残留物一直是食品安全的重要方面，这一直是一个主要的社会问题。这项研究对基于酶抑制方法鉴定农药残留物快速检测卡的研究和分析进行了研究和分析。在这项研究中，图像识别技术用于从快速检测卡的检测结果中提取颜色信息RGB特征值，并建立了四个回归模型，以定量预测使用RGB特征值快速检测卡指示的农药残留浓度。四个回归模型是线性回归模型，二次多项式回归模型，指数回归模型和RBF神经网络模型。通过研究和比较，已经表明，指数回归模型在预测快速检测卡指示的农药残留浓度方面表现出色。相关值为0.900，均方根误差为0.106。当预期浓度接近0时，不会有负预测值。这为基于酶抑制方法的农药残留物快速检测卡开发图像识别设备的开发提供了一种新颖的概念和数据支持。
部分迹回归和低秩 Kraus 分解
迹回归模型是广为研究的线性回归模型的直接扩展，它允许将矩阵映射到实值输出。这里，我们介绍一个更为通用的模型，即部分迹回归模型，它是一类从矩阵值输入到矩阵值输出的线性映射；该模型包含了迹回归模型，因此也包含了线性回归模型。借用量子信息论的工具，其中部分迹算子已经得到了广泛的研究，我们提出了一个框架，用于利用完全正映射的所谓低秩 Kraus 表示从数据中学习部分迹回归模型。我们通过针对 i）矩阵到矩阵回归和 ii）半正定矩阵补全进行的合成和真实实验展示了该框架的相关性，这两个任务可以表述为部分迹回归问题。