XiaoMi-AI文件搜索系统
World File Search System回归模型
对ICL方向选择对术后保管库和模型辅助保障预测的影响的定量研究
结果：所有达到20/20未校正的视力（UDVA）或更好的患者中有95％。在任何情况下都没有观察到包括白内障，分散或视神经损伤在内的并发症。性别，球体功率，气缸功率，轴，ICL大小和ICL方向都是与金库高度相关的重要风险因素，并且年龄是积极相关的。，ICL大小和ICL方向是最高的风险因素。 与传统的水平植入相比，垂直植入可以将所达到的保管库减少81.187 µm（P <0.001）。 与不同的ICL尺寸有关，使用12.1 mm的ICL时，垂直植入物减少了拱顶。 但是，当植入12.6mm和13.2 mm的ICL时，它可以将保险库分别减少59.351 µm和160.992 µm（P = 0.0097和P = 0.0124）。 用于预测保险库高度的基于ML的模型显着优于传统的多变量回归模型。，ICL大小和ICL方向是最高的风险因素。与传统的水平植入相比，垂直植入可以将所达到的保管库减少81.187 µm（P <0.001）。与不同的ICL尺寸有关，使用12.1 mm的ICL时，垂直植入物减少了拱顶。但是，当植入12.6mm和13.2 mm的ICL时，它可以将保险库分别减少59.351 µm和160.992 µm（P = 0.0097和P = 0.0124）。用于预测保险库高度的基于ML的模型显着优于传统的多变量回归模型。
机器学习和人工智能系统的数据代表性
图 3. 使用覆盖样本与使用完整人口普查加州训练数据相比，在 10 次迭代采样和训练线性回归模型时平均性能改善/恶化。覆盖样本占完整人口普查训练数据的 20%。误差线表示标准偏差。正值表示在覆盖样本上训练的模型的平均 MSE 比完整人口普查训练数据模型的平均 MSE 有所改善。负值表示与使用完整人口普查训练数据相比，抽样会降低性能。所有州的平均性能提高了 2.1%。
AR6场景数据库中缺少土地碳固换数据的插图rubenprütz1，2，3，萨宾大惊
四个经过测试的回归模型中的每个。性能结果是指与回归验证数据集中的实际变量相比，预测变量之间的比较。面板（b）显示了实际（“碳固存|土地利用”）与预测的土地CDR和AR6净负afolu Co 2排放（基于“排放| CO2 | Afolu'的负值| co2 | afolu'），作为在AR6中cdr cddry consemational Scenario的较低限制的代理。该图中的预测数据基于k-neartimt邻居回归。实线在各场景中显示中位数，而阴影区域则显示5-215
ECO 342L（高级计量经济学） - UT Direct
ECO 342L 是本科计量经济学的高级课程。它以必修本科计量经济学课程 (ECO 341K/441K) 为基础。我们将深入探讨因果推断和用于建立因果关系的最常用计量经济学方法。我们将超越基本的条件期望线性回归模型，深入研究其他模型（例如分位数模型、非线性模型）。而且，我们将考虑计量经济学从业者使用的几种其他工具。本课程对于有兴趣进行经济学实证研究的学生（例如荣誉论文学生）特别有用，但对于任何可能在未来职业或学术追求中使用计量经济学的人来说也应该有用。
人工智能预测重症监护病房死亡率并与逻辑回归系统进行比较
目的：探索基于梯度提升决策树的人工智能方法，用于预测重症监护病房的全因死亡率，并将其性能与文献中最近的逻辑回归系统以及在同一平台上构建的逻辑回归模型进行比较。方法：使用重症监护医学信息集市数据库训练和测试梯度提升决策树模型和逻辑回归模型。在重症监护病房 5 小时内收集的成年患者 1 小时分辨率生理测量值包括八个常规临床参数。该研究探讨了模型如何学习对患者进行分类，以预测 12 小时内重症监护病房的死亡率或存活率。使用准确度统计数据和接收者操作特征曲线下面积来评估性能。结果：梯度提升树的接收者操作特征曲线下面积为 0.89，而逻辑回归的曲线下面积为 0.806。梯度提升树的准确度为 0.814，而逻辑回归的准确度为 0.782。梯度提升树的诊断比值为 17.823，而逻辑回归的诊断比值为 9.254。梯度提升树的 Cohen's kappa、F 测量值、Matthews 相关系数和显著性更高。结论：梯度提升树的判别能力非常出色。在重症监护病房死亡率预测方面，梯度提升树的表现优于逻辑回归。在所研究的不平衡数据集中，梯度提升树的高诊断比值和显著性值非常重要。
可解释的人工智能质量框架......
摘要 — 第六代 (6G) 无线网络的核心愿景之一是积累人工智能 (AI)，以实现万物互联 (IoE) 的自主控制。特别是，必须通过分析人员、数据、流程和事物等 IoE 的上下文指标来维护 IoE 服务交付的质量。然而，当 AI 模型为网络服务提供商带来解释和直觉的缺失时，挑战就随之而来。因此，本文为质量感知的 IoE 服务交付提供了一个可解释的人工智能 (XAI) 框架，该框架同时支持智能和解释。首先，通过考虑网络动态和 IoE 的上下文指标来制定质量感知的 IoE 服务交付问题，其目标是最大化每个 IoE 服务用户的信道质量指数 (CQI)。其次，设计一个回归问题来解决所提出的公式问题，其中通过 Shapley 值解释估计上下文矩阵的可解释系数。第三，通过使用基于集成的回归模型来确保对矩阵之间上下文关系的解释以重新配置网络参数，实现了支持 XAI 的质量感知 IoE 服务交付算法。最后，实验结果表明，AdaBoost 和 Extra Trees 的上行链路改进率分别为 42 .43% 和 16 .32%，而下行链路改进率高达 28 .57% 和 14 .29% 。然而，基于 AdaBoost 的方法无法维持 IoE 服务用户的 CQI。因此，与其他基线相比，所提出的基于 Extra Trees 的回归模型在缓解准确性和可解释性之间的权衡方面表现出显着的性能提升。索引术语 — 万物互联、可解释人工智能、上下文矩阵、Shapley 系数、回归、服务质量。
基于脑电信号功能连接和复杂性的新生儿缺氧缺血性脑病婴儿认知结果预测
新生儿缺氧缺血性脑病后神经发育受损，尤其是认知障碍，是家长、临床医生和社会关注的一大问题。本研究旨在探讨使用先进的定量脑电图分析 (qEEG) 早期预测认知结果的潜在益处，本文在 2 岁时进行了评估。一组 20 名新生儿缺氧缺血性脑病 (HIE) 婴儿出生后第一周内记录了脑电图数据。提出的回归框架基于两组不同的特征，即从加权相位滞后指数 (WPLI) 得出的图论特征和由样本熵 (SampEn)、排列熵 (PEn) 和谱熵 (SpEn) 表示的熵指标。这两组特征都是在噪声辅助多元经验模态分解 (NA-MEMD) 域内计算的。相关性分析表明，新生儿 EEG 数据中提出的特征、图属性（半径、传递性、全局效率和特征路径长度）和熵特征（Pen 和 SpEn）与 2 岁时的认知发展在 delta 频带中存在显著关联。这些特征用于训练和测试树集成（增强和装袋）回归模型。使用熵特征和增强树回归模型，最高预测性能达到 14.27 均方根误差 (RMSE)、12.07 平均绝对误差 (MAE) 和 0.45 R 平方。因此，结果表明，提出的 qEEG 特征显示了早期的大脑功能状态；因此，它们可以作为后期认知障碍的预测生物标志物，这有助于识别那些可能从早期有针对性的干预中受益的人。
批准后试验与患者注册表：晚期黑色素瘤患者与脑转移的可比性Rawa K. Ismail A，B，C，Nienke O. Sikk
批准后试验和患者注册机构在生成后批准数据中具有优缺点。目前，黑色素瘤患者目前存在这些数据源的临床结果之间的直接比较。我们旨在调查患者注册表是否可以补充甚至替换批准后试验。使用了来自药品评估委员会的单臂临床试验数据，并使用了来自荷兰黑色素瘤治疗注册中心的现实世界数据。研究人群由一线靶向疗法（BRAF-或BRAF-MEK抑制剂）治疗的脑转移晚期黑色素瘤患者组成。使用COX危害回归模型和倾向评分匹配（PSM）模型比较两个患者人群。与在批准后试验中接受治疗的患者相比（n = 467），现实世界患者（n = 602）的年龄明显更高，ECOG性能状况更高，≥3个器官受累和更多症状性脑转移。乳酸脱氢酶水平相似。在现实世界患者中，未经调整的中值总生存期（MOS）为8.7（95％CI，8.1-10.4）个月，而实际患者为7.2（95％CI，6.5-7.7）月（P <0.01）。使用Cox危险回归模型，对预后因素进行了调整，这导致了MOS的统计差异和8.7（95％CI，7.9-10.4）月的现实世界患者的统计差异，而分别为7.3（分别为95％CI，6.3-7.9）。PSM模型产生了310名与生存相似的匹配的患者（p = 0.9）。注册表可以是两个数据源的临床结果相似。
与脑年龄相关并加速脑衰老的心脏代谢危险因素
图 2 CMR 之间的关联。热图显示所有 CMR 的相关矩阵（已缩放），其中下对角线显示偏相关（通过从两个相关的抗性回归模型中取出残差并计算它们之间的相关性计算得出），上对角线显示完全相关。基于完全相关性对变量进行层次聚类，并显示五个聚类组，以括号中的数字表示。表 S3 提供了所有使用的缩写的详细概述，图 S9 提供了图中使用的层次聚类得出的树状图的概述