XiaoMi-AI文件搜索系统
World File Search System回归的
比较机器学习和基于逻辑回归的常规预测模型，用于种族多样化的人群中的妊娠糖尿病； Monash GDM机器学习模型
背景：希望有效的生活方式干预措施可预防GDM并减少相关的不良后果，因此希望早期鉴定出患有妊娠糖尿病（GDM）高风险的孕妇。可以使用风险前字典模型来确定怀孕期间开发GDM的个性化概率。这些模型从传统统计数据扩展到机器学习方法；但是，准确性仍然是最佳的。目标：我们旨在比较多个机器学习算法以开发GDM风险预测模型，然后确定预测GDM的最佳模型。方法：从2016年1月至2021年6月的大型卫生服务网络的日常产前护理的数据进行了监督的机器学习预测分析。预测指标集1来自现有的国际验证的Monash GDM模型：GDM历史，体重指数，种族，年龄，糖尿病的家族史以及过去的不良产科历史。具有不同预测因子的新模型，考虑了统计原理，其中包括更健壮的连续变量和衍生变量。随机选择的80％数据集用于模型开发，验证为20％。绩效指标，包括校准和歧视指标。进行决策曲线分析。结果：在内部验证后，机器学习和逻辑回归模型在曲线下的区域（AUC）的区域在不同算法中的范围从71％到93％，最好是Catboost分类器（CBC）。Based on the default cut-off point of 0.32, the performance of CBC on predictor set 4 was: Accuracy (85%), Precision (90%), Recall (78%), F1-score (84%), Sensitivity (81%), Specificity (90%), positive predictive value (92%), negative predictive value (78%), and Brier Score (0.39).结论：在这项研究中，机器学习方法在传统统计方法上实现了最佳的预测性能，从75％增加到93％。catboost分类器方法通过包括连续变量的模型达到了最佳状态。
使用稀疏PLS回归的中国经济活动的替代指标
我们的方法论具有多种优势作为替代增长指标。首先，我们的IDI CATOR借鉴了大量的高频数据，这可能与中国的经济表现有关。我们的方法论然后淘汰了有关潜在经济增长的信息的较少信息。接下来，我们将基础数据定位为一组与中国经济各个重要方面高度相关的经济指标。最终结果是稀疏的部分最小二乘（PLS）回归的因素，似乎可以在高频中跟踪中国业务周期，表现良好，如Clark，Dawson和Pinkovskiy（2019）所示，与世界各地的一系列增长指标相关联。最后，我们的因素模型使我们能够将中国从趋势增长到全球增长，信贷供应和货币政策组成部分的偏差分解。
在CNS血管内皮细胞上表达的 IL-6R有助于小鼠实验性自身免疫性脑脊髓炎的发展 基于深度学习的光流有多好？ 具有单眼大满贯的基于学习的深度深度估计模型 评估波士顿动力学的选定本地化和映射技术 主论文：温室能量平衡 用聚合物混合离子... 检测冰形成 基于自主地面车辆的基于增强学习的运动计划 深度回归的不确定性定量指标
本期刊文章的自构建后版本可在Linköping大学机构存储库（DIVA）上获得：http：//urn.kb.se/resolve？urn= urn= urn= urn= urnt：nbn：se：se：liu：diva-165639 N.B. N.B. N.B.：引用这项工作时，请引用原始出版物。Petkovic，F.，Lazzarino，G.，Engblom，D.，Blomqvist，A。，A。，（2020），IL-6R，IL-6R在CNS血管内皮细胞上表达，有助于在小鼠中开发实验性自身免疫性脑膜炎，杂志Neurommommomyologology of MICE，342，57777777777777777777777777777777777777777777777777777.777777777777777777777777777777777年。 https://doi.org/10.1016/j.jneuroim.2020.577211
解释回归的神经网络模型
摘要 — 已经提出了几种方法来解释深度神经网络 (DNN)。然而，据我们所知，只有分类网络被研究过，试图确定哪些输入维度促使了分类决策。此外，由于这个问题没有基本事实，因此结果只能定性地评估对人类有意义的结果。在这项工作中，我们设计了一个可以获得基本事实的实验数据库：我们生成理想信号和有误差的干扰信号，并训练一个神经网络来确定所述信号的质量。这个质量只是一个基于干扰信号和相应理想信号之间距离的分数。然后，我们试图找出网络如何估计这个分数，并希望找到发生错误的时间步骤和信号维度。这种实验设置使我们能够比较几种网络解释方法，并基于几次训练提出一种名为精确梯度 (AGRA) 的新方法，该方法可以减少大多数最先进结果中存在的噪声。比较结果表明，在定位信号中出现错误的时间步骤方面，所提出的方法优于最先进的方法。
一种用于双线性回归的频域机器学习方法...
磁共振成像 (MRI) 可以非侵入性地绘制大脑的代谢氧消耗 (CMRO 2 )，这对于理解和监测健康和疾病状态下的神经功能至关重要。然而，由于缺乏稳健的方法，对 MRI 氧代谢的深入研究迄今为止受到阻碍。一种绘制 CMRO 2 的 MRI 方法基于在氧气和二氧化碳的呼吸调节期间同时获取脑血流 (CBF) 和血氧水平依赖 (BOLD) 加权图像。虽然这种双校准方法在研究环境中显示出良好的前景，但当前的分析方法在存在噪声的情况下不稳定和/或计算要求高。在本文中，我们提出了一种机器学习实现，用于对双校准 fMRI 数据进行多参数评估。所提出的方法旨在解决稳定性、准确性和计算开销问题，消除使用 MRI 研究氧代谢的重大障碍。该方法利用获取的灌注和 BOLD 加权数据的时间频率变换，从中选择适当的特征向量来训练机器学习回归器。实施的机器学习方法之所以被选中，是因为它们对噪声具有鲁棒性，并且能够映射复杂的非线性关系（例如 BOLD 信号加权和血氧之间存在的关系）。极端随机树 (ET) 回归器用于估计静息血流量，多层感知器 (MLP) 用于估计 CMRO 2 和氧提取分数 (OEF)。带有加性噪声的合成数据用于训练回归器，模拟数据涵盖广泛的生理合理参数。在模拟和体内数据（n = 30）中，将实施的分析方法的性能与已发表的方法进行了比较。所提出的
