用机器学习模型预测电影收益，通过收集、预处理、分析、选择模型、评估和改进的结构化方法，构建了一个准确预测电影收益的模型，使用线性回归、决策树、随机森林回归、Bagging、XGBoosting 和 Gradient Boosting 进行训练和测试，通过超参数调整和交叉验证提高模型的准确性和泛化性，有助于电影行业做出明智的决策以最大化利润。

May, 2024

员工知识是组织的资产，员工流失可能造成明显和隐藏的成本和不可修复的损害。为了克服和减轻这种风险，应监控员工的状况。由于分析员工福祉特征的复杂性较高，员工离职预测可以委托给机器学习技术。本文讨论了员工的离职率，并使用 AdaBoost、SVM 和 RandomForest 这三种不同的监督学习算法来评估员工离职的准确性。获得的模型可以帮助建立预测分析。

Feb, 2024

本研究介绍了使用机器学习算法，基于国际贸易交易和相关经济因素，进行预测和解释交易流的可能性，并对预测结果和政策决策进行了评估。

Oct, 2019

本研究利用机器学习模型对信用卡违约进行预测，通过一系列实验和数据处理技术，结果表明多层感知器神经网络（MLP）在预测信用卡违约和评估潜在风险方面表现优越，帮助银行等金融机构更早地预测贷款违约。

Oct, 2023

利用机器学习技术，该研究分析了市场营销中的机器学习技术，如支持向量机、深度学习和生存模型，以预测个体的购买决策。研究发现，DeepSurv 模型预测购买完成度最好，这些洞见可帮助营销人员提高转化率。

Aug, 2023

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

本文通过使用不同的深度神经网络模型，包括 TextCNN、Bi-GRU-LSTM-CNN 和 Bi-GRU-CNN 以及各种预训练的单词嵌入来研究职业预测。此外，我们还提出了一个简单有效的组合模型。实验结果表明，我们的提出的组合模型取得了最高的 F1 分数为 72.71％。

Dec, 2019

利用机器学习算法在医疗保健领域可能会放大社会不公和卫生不平等问题；本研究关注于机器学习分类算法在开发和使用过程中遇到的一些普遍性障碍，通过以弗雷明汉冠心病数据为案例，说明了如何选择概率阈值将回归模型转换为分类器，并比较了八种常用机器学习分类算法在不同训练 / 测试场景下的预测性能，以测试它们的普适性和可能引发的偏见问题；得到的研究结果表明，XGBoost 和支持向量机在不平衡数据集上训练存在缺陷，而双重判别式为 I 型是最具普适性的，它在各种训练 / 测试场景下都始终优于其他分类算法；最后，提出了一种用于分类算法的最佳变量层次结构提取方法，并以全量数据、男性和女性的弗雷明汉心脏病数据进行了说明。

Feb, 2024

机器学习在足球比赛结果预测中已成为一种常见方法，本章讨论了该领域中可用的数据集、模型类型和特征以及评估模型性能的方法。研究发现，目前基于渐变提升树模型（如 CatBoost）和特定于足球比赛的评分（如 pi - 评分）的机器学习模型在只包含进球作为比赛特征的数据集上表现最佳，但需要更详细比较深度学习模型和随机森林在不同类型特征数据集上的性能。此外，可以进一步研究新的评分系统，其中包括球员和团队级别信息，并融合来自时空追踪和事件数据的附加信息。最后，需要提高比赛结果预测模型的可解释性，以使其对团队管理更有用。

Mar, 2024

该研究探讨了转化机器学习在药物发现中的应用和性能。通过利用各种领域的共同属性，TML（一种元学习算法）发展了优于传统模型的组合模型，从而提供了更高的预测准确性、改善的可解释性和更好的泛化能力。我们还探索了不同的机器学习分类器的有效性，其中没有一个分类器表现出明显的优越性，因此考虑到了像随机森林这样的集成分类器。我们的发现表明，随着训练数据集的增加，TML 在超越传统基础机器学习（ML）方面表现出色，因为它能够更好地逼近正确的假设、克服局部最优解，并通过结合不同分类器的能力来扩展可表示函数的空间。然而，这种优越性相对于所应用的重新采样方法而言，Near Miss 由于嘈杂的数据、重叠的类别和非线性类边界而表现较差。相反，随机过采样（ROS）在噪声和离群值的抵抗能力、改善的类别重叠管理能力和适应非线性类边界方面提供了更稳健的性能。

Aug, 2023