何时购买?购买时机的生存机器学习模型比较
利用机器学习方法,比较逻辑回归、支持向量机、决策树、随机森林、极端随机树、最近邻算法和自适应增强等七种分类模型来预测基于 METABRIC 数据集中 1904 名患者记录的 5 年乳腺癌生存率。研究结果表明,这些分类器可以准确预测样品的生存率,分别为 75.4%,74.7%,71.5%,75.5%,70.3%和 78%
Apr, 2023
本文介绍了时间序列分析和预测的重要性,详细调查了各种用于预测的方法,包括 ARIMA、Prophet 和 LSTMs 等统计和深度学习模型,完整阐述了预处理和验证的流程。
Nov, 2022
在当今技术驱动的时代,预防性维护和高级诊断的必要性不仅限于航空领域,还包括对旋转和移动机器中损坏、故障和操作缺陷的识别。实施这些服务不仅可以降低维护成本,还可以延长机器的使用寿命,确保更高的运营效率。此外,它还可以预防潜在事故或灾难事件。人工智能的出现已经在各个行业中彻底改变了维护工作方式,实现了对机器故障的更准确、更高效的预测和分析,从而节约时间和资源。我们提出的研究旨在深入研究各种机器学习分类技术,包括支持向量机(SVM)、随机森林、逻辑回归和基于卷积神经网络 LSTM 的方法,用于预测和分析机器性能。SVM 根据数据在多维空间中的位置将其分类到不同类别,而随机森林采用集成学习来创建多个决策树进行分类。逻辑回归使用输入数据来预测二元结果的概率。本研究的主要目标是评估这些算法在预测和分析机器性能方面的性能,考虑准确性、精确度、召回率和 F1 分数等因素。研究结果将帮助维护专家选择最适合的机器学习算法来有效预测和分析机器性能。
Mar, 2024
本文介绍了一种基于 Multi-Task Logistic Regression(MTLR)模型和深度学习架构作为核心的新方法,用于计算生存函数。该方法在所有实验中都表现优于 MTLR 和 Cox Proportional Hazard(CoxPH)模型,并且可以帮助企业预测客户购买产品、流失或贷款违约的时间,从而提高回报率。
Jan, 2018
这篇文章系统地回顾了机器学习在经济学领域的应用,包括经济数据处理、非线性模型和深度学习模型等方面,证明机器学习为经济学家研究提供了重要工具和优势。
Mar, 2023
人力资源部门面临预测申请人是否寻找新工作或留在公司的挑战。本论文讨论了机器学习如何用于预测谁将转到新工作,采用数据预处理以适合机器学习模型,处理分类特征,应用数据编码和多个机器学习算法,包括随机森林、逻辑回归、决策树和极端梯度提升。为提高机器学习模型的性能,使用合成少数类过采样技术 (SMOTE) 进行改进,采用决策支持指标,如精确度、召回率、F1-Score 和准确度进行评估。
Sep, 2023
应用自动化的机器学习(AutoML)方案代替手动创建的机器学习管道,结合公司的领域知识进行价格预测的工业需求研究,展示了 AutoML 导致的小型和中型企业对机器学习专家的依赖减弱的可能性。
Apr, 2023
本文提出了三种结合产品需求特征、专业数据采样方法和集成技术的模型,可以更准确地预测产品广告的用户交互结果,并同时对用户和广告商行为的波动具有鲁棒性。
May, 2018
通过评估不同的历史数据量和预测未来时间范围,以预测系统故障的性能表现,研究发现预测窗口的大小对性能起关键作用,并突显深度学习在分类具有不同时间依赖模式的数据方面的有效性,以及机器学习在分类相似和重复模式的数据方面的有效性。
Feb, 2024
应用不同的生存分析方法比较其性能,结果表明深度学习(DeepSurv)在歧视度和校准性方面表现最佳,而 AutoScore-Survival 则通过最小变量集实现了较好的性能和解释性。
Mar, 2024