关键词： 高分辨率遥感卫星影像   位置精度   多元线性回归   支持向量回归   随机森林  

摘要： 提出了利用机器学习对高分辨率影像的位置精度进行建模分析的方法。实验提取上海市资源三号遥感影像中心城区与郊区空间纹理统计特征,用作解释变量,构建位置误差回归模型,对比分析不同机器学习模型之间拟合差异,并进行实验验证。结果表明,支持向量回归模型整体拟合精度最优,其在两块实验区域拟合均方根误差(rootmean squares error,RMSE)均在0.9 m左右,随机森林(random forest,RF)模型在郊区也有较好拟合结果。与常规方法相比,机器学习方法更有效,平均绝对误差(mean absolute error,MAE)相差较小,预测结果对异常值较小的样本可信度更高。所提出方法可通过模型预测影像逐像素位置误差,为精细地物信息提取和精度控制提供技术支持。

关键词： 探地雷达   快速正演模拟   机器学习   随机森林   主成分分析   埋地目标探测  

摘要： 探地雷达正演模拟在真实雷达数据解译及全波形反演中扮演着重要的角色,针对传统探地雷达(Ground Penetrating Radar,GPR)正演模拟计算量巨大、耗时、不利于实时探测等问题,提出一种基于机器学习框架的近实时GPR正演模拟方法.以混凝土中的钢筋探测作为GPR应用场景,混凝土的含水量、钢筋半径及埋地深度作为模型参数,利用时域有限差分数值模拟散射回波信号;运用主成分分析对回波数据进行降维处理得到相应的主成分权值系数,并以此作为机器学习网络的输出;设计了一种基于随机森林的多层循环网络架构和学习策略,不仅充分挖掘学习模型参数和主成分权值系数之间的内在因果关系,也共享主成分间的相互联系,并具有对每个预测主成分完善和修正的功能,以此实现基于机器学习的探地雷达快速正演模拟,与传统机器学习相比,有效提高了正演模拟的精度.在此基础上将两个深度神经网络与随机森林相结合,以回波数据主成分系数为输入,建立了基于机器学习的场景参数预测模型,实现了近实时的埋地目标探测,预测的混凝土含水量最大误差为2%,钢筋埋地深度最大误差为6.7%.

关键词： 朴素贝叶斯   决策树   随机森林   逻辑斯蒂回归   R语言  

摘要： 糖尿病疾病是一个日益严重的医学问题,它是一种代谢疾病,身体内的葡萄糖长期处于一个高水平的状态,会产生尿频、口渴、饥饿程度加剧等症状,从而导致肾衰竭、中风、视力受损等并发症的产生。糖尿病的识别往往是病人询问医生或者是到诊断中心询问,会使诊断过程过于繁琐。但是逐步上升的机器学习方法解决了这一问题。本次研究的目的是采用机器学习方法,预测患者患糖尿病的可能性。因此采用四个机器学习分类算法,即朴素贝叶斯、决策树、随机森林及逻辑斯蒂回归,来检测早期糖尿病。实验采用的是UCI机器学习库中,从孟加拉国锡尔赫特的锡尔赫特医院患者那里收集的直接问卷。这四个算法的性能评估采用准确率来进行评估。实验显示随机森林的精度优于其他算法,达到了98.07%。

关键词： 行为数据   机器学习   医疗险   赔付预测  

摘要： 随着人们健康意识不断增强,医疗保障需求呈现多元化特点。为进一步推动商业医疗保险健康可持续发展,对商业医疗险赔付的精准预测研究很有必要。基于包括个人行为偏好的经验数据,构建并对比商业医疗险的创新预测机器学习模型,分析与医疗险赔付风险相关的重要因素,研究发现,个人对健康信息的关注等行为因素与赔付风险高度相关,可以为年龄、性别、受教育水平、婚姻状况、地区等传统赔付经验分析因素提供很好的补充。与索赔发生关联最大的是年龄,与案均医疗赔款关联最大的是赔付次数,远高于其他因子。当赔付次数多于5次时,预测案均医疗赔款呈发散性分布。被保险人为女性、学历更低的人更易发生索赔。疾病负担呈现区域不平衡特点。据此提出完善商业医疗险风险管理等建议。

关键词： 财务预警   上市公司   机器学习  

摘要： 有效的财务预警模型既有助于上市公司开展自我诊断和主动管理风险,也有助于投资者作出理性选择和避免可能的损失。论文通过挖掘2019-2022年A股上市公司的年报信息,选取财务指标和非财务指标作为输入特征,基于机器学习中的加权K近邻算法、随机森林算法和支持向量机算法构建企业财务风险预警模型,并比较各模型的预测表现。分析结果表明,3种预警模型均有较好的表现并各有侧重。加权K近邻模型在测试集方面具有更高的准确率;支持向量机模型在识别ST公司时命中率最高,能更准确地识别上市公司面临的财务风险;随机森林模型具有更稳健的预测性能。研究结果可供企业日常经营和投资者决策参考,也可为监管机构健全风险监测机制提供依据。

关键词： 路面平整度   机器学习模型   特征重要性   模型解释可信度  

摘要： 该研究从预测精度、计算效率、模型解释可信度3个方面对比分析了支持向量机(SVM)、随机森林(RF)、梯度提升树(GBR)及神经网络(NN)模型用于国际平整度指数(IRI)预测建模的效果,并基于加性Shapley值解释(SHAP)方法,通过相对重要性及其变异系数评价了模型解释结果的可信度。研究结果表明,梯度提升树模型的综合性能最优,基于决策树和提升算法的机器学习模型更适用于结果解释性研究;虽然神经网络模型具有最高的预测精度,但其损失函数的非凸性使得模型解释结果不可靠;特征重要性结果表明沥青路面平整度的变化由环境因素主导,其中降水的影响最为显著,其次为低温指标。

关键词： 弥散张量成像   帕金森   多层感知机   支持向量机   模型融合  

摘要： 随着第七次人口普查结束,我国人口老龄化程度进一步加深的结论也随之出现,帕金森病等容易在高龄化人群中出现的疾病对群众的身心造成了巨大的伤害,这种疾病会随时间的推移而加重,如果不在早期加以干预治疗会造成不可逆的严重后果。现如今机器学习在数据处理方面能够取得不错的分类和预测结果。本文基于机器学习,通过对正常人和帕金森患者的弥散张量成像(diffusion tensor imaging,DTI)经过相关预处理后,选择各向异性分数(fractional anisotropy,FA)和平均弥散率(mean diffusivity,MD)作为特征。利用多层感知机(Multi-layer Perceptron,MLP)、支持向量机(support vector machine,SVM)、随机森林(Random Forest,RF)、极致梯度提升(eXtreme Gradient Boosting)、LightGBM(Light Gradient Boosting Machine)等算法,通过超参数搜索选择最佳参数后构建模型。最终用stacking法对五个基模型进行模型融合,生成一个集成模型。在测试集测试结果,输出各分类结果的混淆矩阵,采用准确率、AUC值对算法的泛化能力及性能进行评价,结果显示,Stacking模型的分类精度明显提升。

关键词： 岩土参数刻画   贝叶斯理论   数据驱动模型构建   信息准则   机器学习方法  

摘要： 为构建间接估计岩石单轴抗压强度(UCS)的最优模型并实现UCS的合理估计,提出了贝叶斯高斯过程回归(f B-GPR)方法。fB-GPR综合了高斯过程回归、贝叶斯理论与马尔科夫链蒙特卡洛模拟。所提方法与其它模型选择方法进行了对比,如赤池信息准则、贝叶斯信息准则、偏差信息准则、Kullback信息准则等。研究结果表明:基于fB-GPR的最优模型选择结果更为准确,预测结果与实际情况吻合度更高;100次随机试验中,fB-GPR方法将M-7选为最优模型的概率达到100%,最优模型选择的准确率远远高于其他模型选择方法;fB-GPR方法在误差值达到UCS标准差的50%时,仍可准确地进行模型选择,说明fB-GPR的准确性和鲁棒性更好,受UCS测量误差影响相对较小。研究成果可为构建岩土工程中关键参数预测的最优模型并实现合理预测提供借鉴与参考。

关键词： 颞叶癫痫   机器学习分类   葡萄糖代谢模式   生物学标志  

摘要： 本文基于机器学习分类模型,根据其葡萄糖代谢模式的不同,探讨左侧颞叶癫痫(left temporal lobe epilepsy, L-TLE)、右侧颞叶癫痫(right temporal lobe epilepsy,R-TLE)以及双侧颞叶癫痫(double sided temporal lobe epilepsy,D-TLE)的机器学习分类。方法 本研究共纳入了20例药物难治性TLE患者,并采取其发作期的18氟脱氧葡萄糖正电子断层发射显像(18F-FDG-PET),其中包括10例R-TLE患者,5例L-TLE患者以及5例D-TLE患者。采用基于体素的模式分析,从而来选择具有组特异性的葡萄糖代谢模式和分类特征。采用5倍交叉验证的方法训练多个三分类模型,以实现3种TLE的自动分类。结果 与健康对照组相比,单侧TLE患者显示同侧葡萄糖低代谢模式,同时D-TLE患者的双侧大脑半球均显示为葡萄糖低代谢模式。然后选择每位患者的9个聚类作为9个特征来训练分类器。利用空间k-邻近算法对基于葡萄糖代谢模式的3种TLE亚型的分类的总体正确率可达85%。结论 研究结果表明,在TLE偏侧化机器学习分类模型中葡萄糖代谢模式是一种有预测价值的生物学标志。另一方面,基于18F-FDG-PET的体素分析是一种有效且稳定的特征选择方法。

关键词： 重症缺血性脑卒中   内在可解释性机器学习   可解释提升机   死亡预测  

摘要： 目的构建一种内在可解释性机器学习模型,即可解释提升机模型(EBM)来预测重症缺血性脑卒中患者一年死亡风险。方法使用2008~2019年MIMIC-IV2.0数据库中符合纳排标准的2369例重症缺血性脑卒中患者资料,将数据集随机分成训练集(80%)和测试集(20%),构建可解释提升机模型评估疾病预后。通过计算受试者工作特征曲线下面积(AUC)来衡量预测效果,使用校准曲线及布里尔分数(Brier score)评价模型的校准程度,并绘制决策曲线反映临床净收益。结果本研究所构建的可解释提升机具有良好的区分度、校准度和净收益率,其中模型预测重症缺血性脑卒中预后不良的AUC为0.857[95%CI(0.831,0.887)];校准曲线分析结果显示,可解释提升机模型的校准曲线最接近于理想曲线;决策曲线分析结果显示,当该模型预测概率阈值为0.10~0.80时,其预测净获益率最大。基于可解释提升机模型的前5个独立预测变量为年龄、SOFA评分、平均心率、机械通气、平均呼吸频率,其重要性得分从0.179~0.370。结论建立了一个可解释提升机模型,该模型应用于预测重症缺血性脑卒中患者一年内死亡风险具有良好的表现,通过模型可解释性能帮助临床医生更好地理解结果背后的原因。