الأبحاث المرتبطة بالكلمة المفتاحية: تعزيز التدرج
-
توقع مخاطر القلب والأوعية الدموية باستخدام التعلم الجماعي الهجين والذكاء الاصطناعي القابل للتفسير
Predicting cardiovascular risk with hybrid ensemble learning and explainable AIتتناول الدراسة الحاجة الملحة لتحسين توقع المخاطر لأمراض القلب والأوعية الدموية (CVDs)، التي تظل سببًا رئيسيًا للوفيات على مستوى العالم. تقدم إطار عمل هجين للتعلم الجماعي يدمج نماذج التعلم الآلي المتقدمة، وتحديدًا تعزيز التدرج، CatBoost، والشبكات العصبية، ضمن بنية جماعية مكدسة. يعزز هذا النهج الأداء التنبؤي، محققًا درجة AUC-ROC تبلغ 0.82، إلى جانب مقاييس الدقة،…
-
تحسين تشخيص أمراض القلب باستخدام نماذج التعلم الآلي المتقدمة: مقارنة الأداء التنبؤي
Optimizing heart disease diagnosis with advanced machine learning models: a comparison of predictive performanceتقدم ورقة البحث تقييمًا شاملاً لنماذج التعلم الآلي لتوقع الأمراض القلبية، مع تسليط الضوء على العبء العالمي الكبير للحالات القلبية الوعائية التي تفاقمت بسبب عوامل مثل قلة النشاط، واستخدام التبغ، والأنظمة الغذائية غير الصحية. ومن الجدير بالذكر أن مناطق مثل كليفلاند، والمجر، وسويسرا تسجل معدلات وفيات مرتفعة تُعزى إلى الأمراض القلبية الوعائية، مما يبرز الحاجة…
-
ثورة في تجارة التجزئة: نهج هجين للتعلم الآلي لتوقع الطلب بدقة واتخاذ القرارات الاستراتيجية في التجارة العالمية
Revolutionizing Retail: A Hybrid Machine Learning Approach for Precision Demand Forecasting and Strategic Decision-Making in Global Commerceتقدم هذه الورقة البحثية تقييمًا شاملاً لمجموعة متنوعة من تقنيات التعلم الآلي لتحليل بيانات المبيعات في الوقت الحقيقي، بما في ذلك تعزيز التدرج، AdaBoost، الغابة العشوائية (RF)، XGBoost، الشبكات العصبية الاصطناعية (ANN)، ونموذج هجين جديد يسمى RF-XGBoost-LR. تستخدم الدراسة مقاييس الأداء الرئيسية مثل متوسط الخطأ المطلق (MAE)، ومتوسط الخطأ التربيعي (MSE)، ودرجة R² لتقييم فعالية…