逻辑斯谛回归算法在医疗领域的应用——肝病筛查

近年来,随着我国科技水平不断上升,各领域数据量以指数级别增加,传统的统计方法已不能满足现代人们的需要,如何在大规模的数据里面挖掘有用的信息,分析预测新的数据,成为各行各业所研究的问题,医学领域也是如此。随着医疗领域的快速发展,机器学习与医疗结合的方法应运而生,它是处理海量数据有效的方法。本研究即利用逻辑斯谛回归机器学习算法来分析肝脏医疗数据,从而建立机器学习模型,最终用该模型对患者类别进行预测,实现人工智能在线辅助肝病诊断,从而提高肝病筛查预测的准确性和实时性。

基于逻辑斯谛回归的银行营销

近年来,随着科技和经济水平的快速发展,企业营销策略变得多样化,在互联网飞速发展、人工智能技术越来越普遍的今天,亲力亲为的传统营销目标客户的调查方式已逐渐退出历史舞台,而利用人工智能机器学习对受众客户进行分析与预测变得越来越广泛。本文利用逻辑斯谛回归机器学习算法,以客户的基本资料和银行推销行为相关数据为特征,在以往的数据中分析潜在贷款订购客户数据,实现对该客户是否会订购银行定期存款项目的辅助判断,帮助银行进行营销广告的精准投放,从而减小人工出错的几率并缩短预算的时间,最终提高银行效率。

Gradient Boosting算法在典型浅埋煤层液压支架选型中的应用

针对目前工作面液压支架阻力确定方法的不足,提出了1种新的预测方法,采用改进后的逻辑斯提算法(LR)来优化梯度提升回归(GBRT)模型,以此来预测液压支架阻力。在GBRT中加入学习速率来限制子模型的学习速率,防止其过拟合;应用LR对样本参数进行优化,建立LR-GBRT回归预测模型;将该预测模型应用于液压支架阻力的预测,预测结果与LR(线性回归模型)、SVM(支持向量机模型)、DTR(决策树回归模型)、EN(弹性网回归模型)进行对比分析。结果表明:LR-GBRT模型具有较强的泛化能力,较高的预测精度,可以对液压支架阻力进行有效预测。