XiaoMi-AI文件搜索系统
World File Search System网格搜索
使用具有系统的网格搜索的人工神经网络对急诊科的重大不良心脏事件进行预测
摘要背景我们的研究目的是使用系统性的网格搜索对急诊科分类的患者的重大不良心脏事件（MACE）的早期预测，设计和评估人工神经网络（ANN）模型。方法这是一项使用电子健康记录从2017年1月到1220年的单中心横断面研究。研究人群由成年人组成，来到我们在阿加汗大学医院的急诊科分类。住院期间的狼牙棒是主要结果。使用分诊数据增强ANN的体系结构，我们使用了系统的网格搜索策略。使用了四个隐藏的ANN层，然后使用外层。遵循每个隐藏层是返回归一化和辍学层。mace：ANN，随机森林（RF）和逻辑回归（LR）。检查了这些模型的总体准确性，灵敏度，特异性，精度和回忆。使用接收器操作特征曲线（ROC）和具有95％置信区间的F1分数评估每个模型。结果在研究期间总共记录了97,333次急诊就诊，其中33％的患有心血管症状的患者。平均年龄为54.08（19.18）岁。在23,052例（23.7％）的患者中观察到了狼牙棒，在10,888例（11.2％）患者中，住院（长达30天）的死亡率和5483例（5.6％）患者的心脏骤停。用于培训和验证的数据分别为80:20的比例为77,866和19,467。ANN的MACE的AUC分数为0.97，大于RF（0.96）和LR（0.96）。同样，使用ANN的MACE的Precision-Recall曲线更大（RF为0.94 vs. 0.93，LR为0.93）。使用ANN，RF和LR分类器对MACE预测的敏感性分别为99.3％，99.4％和99.2％，特异性分别为94.5％，94.2％和94.2％。结论何时使用分类数据来预测MACE，死亡和心脏骤停时，具有全身网格搜索的ANN可以提供精确而有效的结果，并将受益于预测具有有限资源的急诊室中必须处理大量患者的MACE。关键词人工智能，急诊医学，心脏骤停，主要不良心血管事件，验证研究
网格搜索优化客户流失预测的极限学习机方法
客户的行为特征，例如忠诚度状态和满意度标准，由于世界迅速变化而受到改变。因此，应在决策过程的每个步骤中有效地分析这些行为变化。客户流失分析涉及确定客户通过使用各种方法分析客户数据在情况之前倾向于离开情况的客户。这项研究的目的是开发一个基于学习机器的极端学习模型，以分析客户流失预测问题并确定改善模型性能的参数。网格搜索用于高参数调整。此外，还提出了修改的精度计算方法。在这项研究中，我们开发了基于幼稚的贝叶斯，k-nearest邻居和支持向量机方法的各种模型，并提供了每个模型性能的比较。根据获得的结果，使用拟议的极限学习机模型实现了93.1％的精度。”此外，提出的模型在解决研究问题方面非常有效，因为要确定的参数数量较少，从而减少了与其他模型的竞争。
随机森林和网格搜索的Mantik分析杂志...
这项研究重点是实施随机的森林和网格搜索算法，以早日检测糖尿病，旨在使用技术现代化和增强医学实践。所提出的模型的准确性为77.06％，精度为71.43％，召回47.30％，错误分类误差为22.94％。与其他数据挖掘算法的比较分析，包括决策树，无网格搜索的随机森林以及CAT Boost，表明带有网格搜索算法的随机森林表现优于其他森林。通过利用网格搜索，随机森林算法的准确性增加了2.03％。这些发现表明机器学习在早期糖尿病检测中的潜在有效性。虽然研究提供了有希望的结果，但数据集大小和所使用的检测变量的数量存在局限性。未来的研究应探索较大的数据集和替代算法，以进一步提高准确性并帮助早期发现糖尿病。
随机森林和网格搜索的Jurnal Mantik分析...
这项研究重点是实施随机的森林和网格搜索算法，以早日检测糖尿病，旨在使用技术现代化和增强医学实践。所提出的模型的准确性为77.06％，精度为71.43％，召回47.30％，错误分类误差为22.94％。与其他数据挖掘算法的比较分析，包括决策树，无网格搜索的随机森林以及CAT Boost，表明带有网格搜索算法的随机森林表现优于其他森林。通过利用网格搜索，随机森林算法的准确性增加了2.03％。这些发现表明机器学习在早期糖尿病检测中的潜在有效性。虽然研究提供了有希望的结果，但数据集大小和所使用的检测变量的数量存在局限性。未来的研究应探索较大的数据集和替代算法，以进一步提高准确性并帮助早期发现糖尿病。
基于结构性脑 MRI 图像、网格搜索优化和卷积神经网络诊断自闭症谱系障碍
本研究提出了一种基于 sMRI 的自闭症自动诊断模型。该模型由两个基本阶段组成。第一阶段是预处理阶段，包括删除不清楚的图像、应用 Canny 边缘检测 (CED) 算法识别图像边缘、裁剪图像到系统所需的大小，最后使用数据增强将图像放大五倍。数据增强方法不应影响图像中的辨别力（例如颜色），而且由于它适用于自闭症谱系障碍 (ASD) 和正常发育 (TD) 两组，因此在执行时要小心谨慎，以免对数据造成任何操纵。在第二阶段，将网格搜索优化 (GSO) 算法应用于系统中使用的深度卷积神经网络 (DCNN)，以获得最佳超参数。因此，基于 sMRI 的 ASD 诊断方法实现了 100% 的出色成功率。通过五折交叉验证测试验证了所提模型的可靠性，并通过与最近的研究和广泛使用的预训练模型的比较证明了其优越性。
通过与网格搜索超级参数使用深CNN的脑肿瘤MR图像分类的多类分类框架
活检标本的摘要组织病理学分析仍用于诊断和对当今脑肿瘤进行分类。可用的程序是侵入性的，耗时的，并且倾向于人为错误。要克服这些缺点，需要实施完全自动化的深度学习模型，以将脑肿瘤分为多个类别。将肿瘤分为五个类别，例如正常肿瘤，神经胶质瘤肿瘤，脑膜瘤肿瘤，垂体肿瘤和转移性肿瘤等五个类别，其精度为92.98％。使用网格搜索优化方法，立即分配了建议的CNN框架的所有关键超级参数。Alex Net，Inception V3，Res Net -50，VGG -16和Google -Net都是最先进的CNN模型的示例，这些示例与建议的CNN模型进行了比较。使用庞大的公开临床数据集，产生了令人满意的分类结果。医师和放射科医生可以使用建议的CNN模型来确认其首次筛查脑肿瘤多分类。关键词：多分类，CNN模型，网格搜索技术，超级参数优化