排序方式: 共有8条查询结果,搜索用时 15 毫秒
1
1.
本文在平面上解决了StevenRLay在 [1 ]中提出的开放性问题“什么样的凸集存在唯一的最小凸生成子集” ,给出并证明了“平面上的凸集存在唯一的最小凸生成子集”的一个充要条件 .同时证明了En 中的开集一定不存在最小凸生成集 . 相似文献
2.
3.
为了通过众多的医学指标更准确地预测血糖值,将运用主成分分析耦合GBDT做回归·首先运用主成分分析将39个原指标综合成18个新指标,并对这18个累积贡献率达95%的新指标做变量特征重要性分析,再结合18个新指标运用GBDT做回归.其中有关血糖值的数据来源于天池精准医疗大赛-人工智能辅助糖尿病遗传风险预测.将含有5642个样本值的一组血糖值数据按照7:3的比例分成两组,分别称为训练集和测试集,运用训练集中的数据建立回归模型,得出回归模型的均方根误差为0.0053,再利用测试集中的数据预测血糖值,并与测试集中的真实值作比较,得出均方根误差为0.0063,这说明预测出的血糖值较为准确,能够保障血糖值预测的精度. 相似文献
4.
5.
"00型是一种结果不确定的类型,并且可以使用洛必达法则来转化解决"是高等数学大纲要求中的一个重点.现行"高等数学"教材和参考书中都指出了这一点,但给出的有关00型极限的例子和习题的结果都为1.这严重影响了教学效果和教学目的.通过实例可对该内容的教学和教材组织提供一种富有建设性的建议. 相似文献
6.
医保风险决策在实际应用中的难点是投保人的患病具有不确定性,为此尝试利用机器学习耦合蓄水池抽样建立动态预测模型,辅助医保公司开展智能风险决策.具体做了三个方面的工作:首先,构建了医保风险决策模型,并从理论上得到了最优决策规则;然后,基于样本量固定的历史数据,搭建了智能医保静态风险决策的框架;最后,为改进静态智能预测对于风险决策指导的滞后性,提出将机器学习耦合蓄水池算法开展智能动态风险决策的思路,在不断更新的数据集上进行动态抽样,建立随时间动态更新的预测模型.以投保病种为糖尿病为例,选用2017年天池精准医疗大赛——人工智能辅助糖尿病风险预测相关数据.鉴于数据特征变量维度高且类型复杂,因此选用的机器学习算法为随机森林.对样本量相同的训练集以及同一测试集进行实验和对比,结果表明:基于动态预测的决策模型效果优于静态决策模型. 相似文献
7.
随着经济的快速发展,分布式能源成为重点发展的对象.供应商也在慢慢地增多,为了优化分布式能源供应市场的结构,有必要对分布式能源供应商的合作与竞争展开理论研究.按照行为主体在合作中的主观偏好不同,将分布式能源供应商划分为互惠主义者和机会主义者两类.并据此展开了4个方面的研究.首先,在静态博弈的框架下,构建了两种类型供应商在合作和背叛两种可选策略下的模型;然后,应用演化博弈的知识来分析机会主义行为的演化,依据复制动态方程得到了供应市场的演化均衡状态;接着,分析惩罚条件下机会主义行为的演化,从而找到消除机会主义行为的惩罚力度的范围,有利于促进市场良好状态的形成;最后,通过给予假设参数符合条件的具体数值,来模拟出时间与分布式能源机会主义供应商占总供应商比例的关系,更直观地展示了的理论分析结果,便于政策制定者参考. 相似文献
8.
为了对比支持向量回归(SVR)和核岭回归(KRR)预测血糖值的效果,本文选择人工智能辅助糖尿病遗传风险的相关数据进行实证分析.首先对数据进行预处理,将处理后的数据导入Python.其次,为了使SVR和KRR的对比结果具有客观性,使用了三种有代表性的核方法(线性核函数,径向基核函数和sigmod核函数).然后,在训练集上采用网格搜索自动调参分别建立SVR和KRR的最优模型,对血糖值进行预测.最后,在测试集上对比分析SVR和KRR预测的均方误差(MSE)和拟合时间等指标.结果表明:均方误差(MSE)都小于0.006,且KRR的MSE比SVR的小0.0002,KRR的预测精度比SVR更高;而SVR的预测时间比KRR的少0.803秒,SVR的预测效率比KRR好. 相似文献
1