XiaoMi-AI文件搜索系统
World File Search System混合机
使用混合机学习库存选择模型的投资组合优化
投资组合优化可能是具有挑战性的。随着机器学习的最新发展，可以将可用的重要预测工具应用于投资组合选择。金融市场既动态又复杂，但算法旨在捕获数据中的模式。在本文中，七个机器学习技术用于股票价格预测：局部回归，支持向量机，随机森林，经常性神经网络，长期短期记忆，双向长期短期记忆和LightGBM。此外，将两种混合机器学习方法用于预测：CNN-LSTM和Bilstmbo-lightGBM。训练模型后，该算法在模拟的交易中创建了最佳资产投资组合。在看不见的数据上，算法的对称平均绝对百分比误差评估了预测能力。生成的alpha和Sharpe比率评估了在均值方差优化下构建的最佳投资组合的质量。使用2019年1月2日至2023年12月29日美国50个美国公司的数据，结果表明，混合模型的性能优于各个模型，而CNN-LSTM模型的表现优于基准市场指数。
CSF中的 NFL浓度是衰老和亨廷顿氏病神经退行性率的定量标记：基于半机械模型的分析 自动化核图分析，用于早期检测遗传和神经退行性疾病：一种混合机器学习方法 社论：海拔梯度的土壤微生物 用延迟差分分析解码想象的语音 线粒体展开的蛋白质反应（UPRMT） 免疫的概述和单臂荟萃分析 - trail及其心脏疾病的受体
脑脊液（CSF）和血浆中神经素制轻链（NFL）的浓度已成为许多神经退行性疾病的关键生物标志物，包括亨廷顿氏病（HD）。然而，CSF中NFL浓度的动力学与神经变性（全脑萎缩）的时间顺序之间的关系尚未以定量和机械的方式描述。在这里，我们提出了一种新型的半机械模型，该模型假定进入CSF的NFL量对应于受损神经元释放的NFL量，其退化导致大脑体积的减少。在数学术语中，该模型以脑组织的NFL浓度，整个大脑体积的变化率和CSF流量率表示了CSF的NFL浓度。为了测试我们的模型，我们使用了非线性混合效应方法来分析HD-CSF研究的NFL和大脑量数据，这是对具有前命中率HD，明显HD和健康对照的个体的24个月前瞻性研究。从MRI获得的整个大脑体积的时间顺序以二阶多项式在经验上表示，从中计算出其变化速率。CSF流量率是从最近的文献数据中获取的。 通过估计脑组织中的NFL浓度，该模型成功地描述了HD受试者和健康对照中CSF中NFL浓度的时间顺序。 此外，大脑中NFL浓度的模型衍生的估计值与最近的直接实验测量非常吻合。 讨论了我们的半机械NFL模型在其他神经退行性疾病中的应用。CSF流量率是从最近的文献数据中获取的。通过估计脑组织中的NFL浓度，该模型成功地描述了HD受试者和健康对照中CSF中NFL浓度的时间顺序。此外，大脑中NFL浓度的模型衍生的估计值与最近的直接实验测量非常吻合。讨论了我们的半机械NFL模型在其他神经退行性疾病中的应用。我们模型与NFL和脑量数据的一致性表明，CSF中的NFL浓度反映了神经变性的速率而不是范围，而NFL浓度随时间的增加是衡量与老化和HD相关的神经变性速率加速的量度。对于HD受试者，发现加速度的程度显着增加，其HTT基因上的CAG重复次数。对于HD受试者，发现加速度的程度显着增加，其HTT基因上的CAG重复次数。
为客观足球运动员估值开发可靠的混合机器学习模型
摘要 - Football既是流行的运动，又是一项大型业务。经理们担心团队经理在转移，球员估值问题，尤其是市场价值和转移费用时做出的重要决策。市场价值很重要，因为可以将其视为转移费用转移费用的估计值，这些费用或价格可以为转移市场上的玩家支付。足球专家历史上估计了市场。但是，专家意见是不准确的。因此，数据分析可能会为基于专家的市场价值估计提供可靠的替代品或补充。本文提出了一种定量，客观的方法来评估市场上足球运动员。该技术基于将机器学习算法应用于足球运动员性能数据。为了实现这一目标，采用了决策树回归（DTR）来预测足球运动员的市场价值。此外，还利用了两种新型的元启发式算法，蜂蜜badger算法（HBA）和水母搜索优化器（JSO）来增强DTR模型的性能。实验利用了从sofifa.com收集的FIFA 20游戏数据。此外，它旨在检查信息并查明影响市场价值评估的关键要素。试验结果表明，与其他算法相比，DTJ混合模型在预测参与者的市场定价方面的性能更好。与基线相比，R 2值为0.984，误差比最低，它获得了最高的精度得分。最后，人们认为这些发现对于足球队和球员在球员之间的讨论中可能至关重要。该策略可以用作加快谈判过程并提供对玩家市场价值的可量化，客观评估的跳板。
增强电子邮件安全性：一种用于垃圾邮件和恶意软件检测的混合机器学习方法
最近的研究表明，SMS垃圾邮件中有一个显着的激增，是旨在欺骗个人泄露私人帐户或身份细节的实体，通常称为“网络钓鱼”或“电子邮件垃圾邮件”。常规垃圾邮件过滤器难以充分地确定这些恶意电子邮件，从而面对从事在线交易的消费者和企业面临挑战。解决此问题提出了重大的学习挑战。最初以直接的文本分类问题出现，但分类过程因垃圾邮件和合法电子邮件之间的惊人相似性而变得复杂。在这项研究中，我们引入了一种名为“滤波器”的新方法，专为检测欺骗性SMS垃圾邮件而设计。通过合并量身定制的功能，以揭示对DUPE用户使用的欺骗性技术，我们的SMS垃圾邮件电子邮件的准确分类率超过99.01％，同时保持较低的假阳性率。使用包括746个垃圾邮件实例和4822个合法电子邮件实例的数据集获得了这些结果。在具有两个属性和5568实例的数据集上评估过滤器的精度，特别是超过现有方法。我们提出的模型是一种混合NB-ANN模型，达到99.01％的最高精度，表现优于幼稚的贝叶斯（98.57％）和人工神经网络（98.12％）。这突出了混合方法在增强电子邮件垃圾邮件检测和恶意软件过滤的精度方面的功效，从而确保跨培训和测试数据集的全面覆盖范围，以改善反馈循环。
使用混合机学习的心脏病预测
摘要 - 心血管疾病是一种普遍且潜在的致命状况，需要在全球范围内采取积极的预防措施和有效的筛查方法。为了解决这个问题，最近的研究调查了新型的机器学习框架，这些框架建议通过利用与此疾病相关的巨大数据集和预测模式来诊断和预测心血管疾病。研究贡献是对心脏病预测的整体学习和其他混合机器学习技术的彻底检查和实施。通过在包括克利夫兰心脏病数据集和IEEE DataPort心脏病在内的数据集上采用合奏学习，例如年龄，胸痛类型，血压，血压，血糖水平，静息，心率，心率和四种类型的Chestpain。为了预测心脏病，我们的方法论整合了许多机器学习模型。通过利用特定算法的优点在解决其缺点的同时，该方法产生了更具弹性的预测模型。我们研究的结果在心脏病预测领域表现出令人鼓舞的结果，与离散算法相比，获得了提高的精度和可靠性。通过合奏学习的利用，我们成功地辨别了与心脏病相关的预测模式，从而增强了诊断的能力。总而言之，我们的研究结果强调了机器学习领域内集合技术的巨大潜力，以提高心脏疾病预测。通过提供一种更可靠的方法来快速诊断和心脏病的预后，该策略对医疗保健实践产生了重大影响。
混合机器学习模型用于细粒度的空气...
1,2,3 CSE工程技术学院，印度大诺伊达市Sharda University，摘要空气污染已成为一个主要的环境问题，每年导致许多死亡，并使环境和人类健康处于严重的风险。 它会导致温室效应，导致全球变暖，并增加影响肺癌和其他影响呼吸系统（包括过敏）的疾病的风险。 设置和维护严格的空气质量标准对于有效打击空气污染至关重要。 空气质量指数（AQI）是用于确定大气中污染物量的测量值。 通过利用机器学习算法的功能，可以使细粒度AQI的精确预测可行。 为了预测AQI，已经使用了许多算法，包括逻辑回归，决策树回归，KNN，SVR和线性回归。 该项目的主要目标是使用机器学习算法创建模型，并确定哪种模型最适合AQI预测。 关键字：空气质量，预测，算法，随机森林，线性回归1。 引入由于所有身体细胞起作用都是必要的，因此它是生活中最重要的方面。 空气是我们星球上重要的组成部分，具有巨大的意义。 尽管人类可以在没有水的情况下生存几天，但我们的存在仅限于仅三分钟而没有空气。 通过循环温暖和潮湿的空气，它在地球表面保持稳定的温度。 此外，空气在影响水周期中起着至关重要的作用。1,2,3 CSE工程技术学院，印度大诺伊达市Sharda University，摘要空气污染已成为一个主要的环境问题，每年导致许多死亡，并使环境和人类健康处于严重的风险。它会导致温室效应，导致全球变暖，并增加影响肺癌和其他影响呼吸系统（包括过敏）的疾病的风险。设置和维护严格的空气质量标准对于有效打击空气污染至关重要。空气质量指数（AQI）是用于确定大气中污染物量的测量值。通过利用机器学习算法的功能，可以使细粒度AQI的精确预测可行。为了预测AQI，已经使用了许多算法，包括逻辑回归，决策树回归，KNN，SVR和线性回归。该项目的主要目标是使用机器学习算法创建模型，并确定哪种模型最适合AQI预测。关键字：空气质量，预测，算法，随机森林，线性回归1。引入由于所有身体细胞起作用都是必要的，因此它是生活中最重要的方面。空气是我们星球上重要的组成部分，具有巨大的意义。尽管人类可以在没有水的情况下生存几天，但我们的存在仅限于仅三分钟而没有空气。通过循环温暖和潮湿的空气，它在地球表面保持稳定的温度。此外，空气在影响水周期中起着至关重要的作用。我们目前的呼吸不仅可以维持我们的生活，而且在我们对生活的满意程度中起着至关重要的作用。低空气质量有可能显着影响健身。在其他呼吸系统疾病中，受污染的空气可导致肺癌，支气管炎，肺炎，结核病和哮喘。根据估计，由于空气污染，全世界约有700万个人每年都在悲惨地丧生。此外，除了对温度和海平面的不利影响外，空气污染还可以在加剧全球变暖的情况下发挥作用，这在热量被困在大气中时会发生。这可能导致传染病的传播以及温度升高和海平面升高。可以量化空气的质量。空气质量的数值指标是空气质量指数或AQI。这是0到500之间的数值，代表空气污染的水平和保持拟合的困难。五十或更低的AQI被认为是精确的空气，而三百或更多的AQI被归类为有害的一流。基于潜在的健康风险，AQI分为六个类别。为了易于解释，每个类别都有不同的颜色。绿色（零50），黄色（51-100），橙色（100和100五十）和深红色是六个类。
使用混合机器学习技术RASHA GAFFER M. HELALI*计算与信息技术学院助理教授
使用混合机器学习技术进行 rasha gaffer M. Helali *计算机和信息技术学院助理教授，沙特阿拉伯比沙大学（rashahilal@ub.edu.sa） *通讯作者摘要网络安全已成为互联网上的8届互联网用户的新数字，并获得了更多的数字化。用户到2024年。 根据这些数字，需要安全系统来保护公众免受网络钓鱼骗局的影响，这些骗局不仅对财务资源产生了负面影响，而且对人们的心理健康产生了负面影响，使他们害怕使用互联网或冲浪。 这推动了为该问题找到有效解决方案的努力。 网络钓鱼攻击模式的快速改变需要对现有的网络钓鱼检测系统的不断改进，以便有效地应对新的和即将进行的网络钓鱼尝试。rasha gaffer M. Helali *计算机和信息技术学院助理教授，沙特阿拉伯比沙大学（rashahilal@ub.edu.sa） *通讯作者摘要网络安全已成为互联网上的8届互联网用户的新数字，并获得了更多的数字化。用户到2024年。根据这些数字，需要安全系统来保护公众免受网络钓鱼骗局的影响，这些骗局不仅对财务资源产生了负面影响，而且对人们的心理健康产生了负面影响，使他们害怕使用互联网或冲浪。这推动了为该问题找到有效解决方案的努力。网络钓鱼攻击模式的快速改变需要对现有的网络钓鱼检测系统的不断改进，以便有效地应对新的和即将进行的网络钓鱼尝试。
多变量孔隙压力预测的混合机学习优化算法
孔隙压力是钻孔设计中的重要数据，其准确的预测对于确保钻孔安全性和提高钻井效率是必要的。在形成特定的结构和岩性时，预测孔隙压力的传统方法受到限制。在本文中，使用机器学习算法和有效应力定理来建立岩石物理参数和孔隙压力之间的转换模型。本研究收集了三口井的数据。Well 1有881个用于模型训练的数据集，Wells 2和3具有538和464个数据集用于模型测试。在本文中，选择了支持向量机（SVM），随机森林（RF），极端梯度提升（XGB）和多层感知器（MLP）作为孔隙压力建模的机器学习算法。In addition, this paper uses the grey wolf optimization (GWO) algorithm, particle swarm optimization (PSO) algorithm, sparrow search algorithm (SSA), and bat algorithm (BA) to establish a hybrid machine learning optimization al- gorithm, and proposes an improved grey wolf optimization (IGWO) algorithm.IgWO-MLP模型通过使用5倍的交叉验证方法来获得训练数据，从而获得了最小根平方误差（RMSE）。对于井2和3井中的孔隙压力数据，SVM，RF，XGB和MLP的确定系数（R 2）为0.9930和0.9446、0.9943和0.9943和0.9472、0.9472、0.9945和0.9945和0.9488、0.9949、0.9949、0.9949和0.9949和0.9574。MLP在训练和测试数据上都达到了最佳性能，MLP模型显示出高度的概括。©2023作者。Elsevier B.V.的发布服务代表KEAI Communications Co. Ltd.表明IGWO-MLP是孔隙压力的极好预测指标，可用于预测孔隙压力。这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/ 4.0/）下的开放访问文章。
混合机器的心理健康疾病预测
心理健康是一个人的心理健康。在个人的行为，情绪管理或思维过程中临床上有明显的破坏表明精神疾病。记住，精神疾病是需要护理和治疗的医学疾病，而不是弱点或决定的迹象。可以使用许多干预措施，例如医学，心理治疗和其他支持疗法来治疗精神疾病。估计有四分之一的人在一生中遇到某种精神疾病，精神疾病正成为一个日益严重的全球问题。在确定有危险的人可能很困难的同时，早期诊断和对精神疾病的治疗可以显着改善结果。从各种数据源预测精神疾病已经显示出机器学习和其他数据驱动策略的潜力。
欧洲电池混合机车
Operation area Norway and Sweden Length 23,020 mm Width 2,900 mm Height 4,215 mm Track gauge 1,435 mm Axle arrangement Co'Co‘ Electric power supply Dual mode: 15 kV AC 16.7 Hz & 50 Hz + Battery Power at wheel 6.1 MW (pure electric mode) 2.4 MW (electric mode & charging) 2.4 MW (battery mode) Train supply 1kV 16.7 Hz, 1KV 50 Hz，1.5 kV 50 Hz轴负荷20.5 T开始拖动努力500 kN连续拖动努力430 KN传输AC/AC最大速度120 km/h制动系统气动制动器电动制动器电动制动器：再生/恒星静态悬浮悬浮液系统：卷：卷金属和水平的胶水垂直和水平的固定型：