基于XGBoost分类算法的热舒适预测模型

为考虑个性化因素对热舒适的影响,建立一种基于XGBoost分类算法的热舒适预测模型。利用独热编码的方法对原始数据进行特征参数转换,将转换后的数据作为XGBoost分类算法的输入,经迭代训练后获得最佳的公共建筑中人体热舒适预测模型;利用SHAP值对模型特征参数进行解释,得出影响个性化热舒适的关键因素。结果显示:XGBoost分类算法的热舒适预测模型在受试者工作特征(ROC)曲线下的面积(AUC)和准确率分别为0.95,89%,均优于随机森林、逻辑回归、支持向量机、神经网络等算法模型,表现出较高的预测精度;影响个性化热舒适的关键因素为空气温度、相对湿度、空气风速和体重。

红外光谱结合统计学方法对纸质包装盒的检验研究

目的建立一种高效准确的红外光谱检验纸质包装盒的研究方法。方法利用傅里叶变换红外光谱仪测得了56个不同类型不同来源的纸质包装盒的红外光谱数据;根据纸盒主要填料的不同,将样品初步分为三大类;利用主成分分析对初步分类后的数据降维,提取出4个主成分,再利用系统聚类将样品最终分为6组,使用K-means聚类算法结合Pearson卡方检验进行验证,与最终分类的结果基本吻合。基于该分组,训练朴素贝叶斯分类、随机森林模型、XGBoost分类3种判别模型,实现对新样品组别的分类预测。结果56个快递包装纸盒样品被分为3类,而后进一步细分为6组,3种判别预测模型均有较高的准确率,其中随机森林模型的准确率最高。结论该方法快速方便地实现了对样品的区分,并且可以实现无损检验,为犯罪现场纸质包装盒的鉴别提供依据,从而为公安侦查工作的开展提供帮助。

前列腺癌与前列腺增生的分类预测及癌症风险因素分析

背景前列腺癌是男性泌尿生殖系统最常见的恶性肿瘤之一,其与前列腺增生之间的快速鉴别是临床面临的难题之一,需要可靠方法进行分类预测。目的基于XGBoost算法构建前列腺癌与前列腺增生的分类预测模型,识别癌症风险因素并分析其在早期诊断中的应用价值。方法于"前列腺癌数据集"(2019年由解放军总医院国家临床医学科学数据中心,国家人口与健康科学数据共享平台提供)中获取前列腺癌与前列腺增生患者的临床数据,在数据预处理基础上按照7∶3划分训练集和测试集;应用XGBoost算法构建前列腺癌与前列腺增生的分类模型;基于训练集确定模型参数,并在测试集上完成模型的有效性验证,利用SHAP方法分析模型特征的临床意义。结果共纳入前列腺癌患者1224例、前列腺增生患者1255例,平均年龄分别为65.86岁、67.70岁;选取年龄、体质量指数、前列腺特异性抗原(prostate specific antigen,PSA)系列指标及其他生化检验指标共23个特征构建分类模型。模型对前列腺癌预测的曲线下面积、准确率、召回率、精确率和F1值分别为0.81、0.74、0.70、0.72、0.74;游离PSA/总PSA、总PSA、无机磷、游离PSA是前列腺早期诊断中最重要的4个指标;SHAP分析结果表明游离PSA/总PSA≤0.132与无机磷≥1.09 mmol/L是前列腺癌诊断中需要被关注的分界值。结论应用XGBoost算法可构建前列腺癌预测的有效分类模型,利用SHAP分析获取的特征指标分界值可为前列腺癌的临床早期筛查提供有益参考。

基于XGBoost算法的阻塞性睡眠呼吸暂停预测模型

目的使用XGBoost算法建立阻塞性睡眠呼吸暂停(OSA)的机器学习预测模型。方法纳入680例于首都医科大学附属北京同仁医院行整夜多道睡眠图监测患者,收集其性别、年龄、颈围以及体质量指数(body mass index,BMI)、夜间最低血氧饱和度、夜间平均血氧饱和度、3%氧减指数等信息,作为机器学习的输入特征,以XGBoost算法建立OSA的自动预测模型,并与其他几种常用的机器学习算法(如支持向量机、随机森林、决策树等)建立的模型结果进行对比。结果在四分类(正常受试者,轻度、中度、重度OSA)中,XGBoost分类器在所有算法中表现最好,综合分类准确率为93.4%,F1值得分分别为94.7%、78.7%、86.7%、98.1%,ROC曲线下面积(AUC)分别为98.0%、85.0%、92.0%和98.0%。结论基于XGBoost算法成功建立成人OSA预测模型,可用于临床OSA的诊断与筛查。

基于注意力机制RNN模型的癫痫患者脑电信号识别方法

针对癫痫患者脑电信号(electroencephalogram,EEG)数据识别提出了一种基于注意力机制的RNN(recurrent neural networks)模型.传统EEG特征分析耗时巨大且过度依赖专家经验,极大限制了脑活动识别方法的应用推广.因此,提出一种新的EEG识别方法以解决上述问题.首先对癫痫患者EEG的基本特征进行分析,进而采用基于注意力机制RNN模型消除各种干扰信号,利用XGBoost分类器识别EEG数据的类别,达到自动细化识别原始EEG的目的,最后在公共EEG数据集上进行大量实验,验证所提方法对EEG识别的准确性.实验结果表明,与一些成熟的EEG识别方法相比,本文所提方法在识别精度上有了进一步提升.

乡村振兴战略下农村居民金融素养的影响因素研究——基于黔、鄂、晋三地实地调研

本文基于贵州遵义、湖北武汉、山西大同三地共750户家庭的调查问卷数据,采用XGBoost分类器算法和SHAP解释模型,从农村居民基本金融知识认知、风险和回报认知、金融规划等方面构建了农村居民金融素养测评指标体系,研究农村居民金融素养的影响因素。结果表明:三地农村居民金融素养有待提升,影响三地农村居民金融素养的因素略有差异。本文研究发现,通过普及金融知识、创新金融教育、引入金融科技等对策利于提高农村居民金融素养,促进乡村振兴。

地市级烟草企业党建凝聚力影响因素及提升调查研究

面对多元化市场,党建工作成为烟草企业高质量发展的重要环节。好的党建工作可以提高烟草企业内部的团结凝聚力,推动党组织的政治领导力、思想引领力、群众组织力转化为生产力,以高质量党建引领企业高质量发展。本文围绕如何提高烟草企业内党的凝聚力来进行研究,基于2022年安徽省六安市烟草专卖局(公司)干部职工思想动态调查问卷结果构建GRA-XGboost分类模型,对与烟草企业内党的凝聚力与号召力影响大的因素进行预测分析并进行解释性评估。

改进的基于增强型HOG的行人检测算法

行人检测在人工智能系统、车辆辅助驾驶系统和智能监控等领域具有重要的应用,是当前的研究热点.针对HOG特征不明显、支持向量机(SVM)分类器计算复杂度高,导致识别率低和检测速度慢的问题,本文提出了一种改进的基于增强型HOG的行人检测算法.该算法首先预处理原始图像并提取其HOG特征,然后增强该特征生成增强型HOG,经XGBoost分类器进行行人检测.在INRIA数据集上进行测试,实验结果表明所提算法识别率高达95.49%,有效地提高了行人检测性能.

计量装置故障抢修主动服务预警模型研究

为了提高故障抢修效率和客户服务质量,文中提出了一种基于用户画像技术和故障诊断技术的计量装置故障抢修主动服务预警模型。首先,建立电力用户标签库体系,利用K-Means聚类方法构建用户画像模型,实现用户群体类型的定义;然后,利用极端梯度提升XGBoost算法构建计量装置故障识别模型,实现计量装置故障风险等级的定义。最后,根据用户画像模型和故障识别模型结果,建立计量装置故障抢修主动服务预警模型。通过实证分析,发现故障抢修主动服务预警模型的一级预警等级核查精准率为84.62%,说明该模型具有可靠性。

基于客户个性化经营与员工绩效闭环反馈的大数据系统设计与分析建模

数字化的时代只有利用好线上渠道实现高并发地服务大批量客户,经营者才能在客户市场争夺中取得先机。而为了进一步保证服务的质量,需要建立全流程数据采集应用系统获取准确完备的数据,以数据为原材料,利用计算机统计和人工智能等方式完成决策。大数据系统的方案设计,利用数据实现统计分析和画像聚类,采用极限梯度提升算法Xgboost模型输出的客户价值概率作为客户分类和优质客户筛选的依据,辅助人工完成对客户类型的提前预判;通过自动化作业流程和Tableau报表设计每日对员工工作量与客户转化效果进行统计和可视化通报,实现员工绩效回算达成全系统闭环反馈。当系统实现了更体系化的数据存储管理、更精准化的客群划分、更及时化的闭环监控后,明显获得高质量的差异化经营,为上亿数量级的客户提供个性化服务,达到更优的客户体验效果。项目方案投产后,客户的各项转化率较期初均有1.5~10倍的提升。