elastic net regularization
PulseAugur coverage of elastic net regularization — every cluster mentioning elastic net regularization across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
可解释机器学习利用MRI和fMRI预测帕金森病严重程度
研究人员开发了一种可解释的机器学习模型，能够利用QSM MRI和多频多回波fMRI特征的组合来预测帕金森病的运动严重程度。研究发现，仅影像学模型显示出显著的预测能力，QSM和临床变量的组合解释了运动严重程度45.4%的方差。具体而言，选定的QSM和临床特征最有效，能够预测75.0%参与者在5分范围内的运动严重程度，其中小脑、丘脑、纹状体、脑岛和运动皮层是关键特征。
-
新方法大幅降低非光滑估计量的降维复杂度
研究人员开发了一种新方法，可以显著加快非光滑统计估计量的降维计算速度。该技术利用块 Schur 补和 Sylvester 行列式恒等式，将计算复杂度从三次降低到更易于管理的几次多项式形式。该方法已成功应用于 Lasso、Sparse Support Vector Machines、Elastic Net 和 Group Lasso 等各种模型，在保持数值精度的同时实现了超过 14,100 倍的速度提升。
-
TinyBayes 使边缘设备上的实时作物病害检测成为可能
研究人员开发了 TinyBayes，一个用于边缘设备实时图像分类的新颖框架，专门用于检测可可作物的病害。该系统集成了闭式贝叶斯分类器和移动级计算机视觉管道，模型总大小不到 9.5 MB。TinyBayes 在 Amini 可可污染挑战数据集上实现了 78.7% 的准确率，并且可以在 CPU 上在 150 毫秒内完成推理。
-
贝叶斯方法在预测和不确定性方面优于经典稀疏回归
一项新的基准研究评估了六种稀疏回归方法，将 Lasso 等经典方法与 Horseshoe 和 Spike-and-Slab 等贝叶斯技术进行了比较。研究发现，贝叶斯方法通常能提供更优的预测误差和更准确的不确定性估计，其中 Horseshoe 先验实现了接近名义的覆盖率。然而，在变量选择方面，Lasso 和 Spike-and-Slab 的表现相当，这表明当不需要完整的后验估计时，Lasso 仍然是一个实用的选择。
-
新的集成学习框架预测地下水重金属污染
研究人员开发了一种新的集成机器学习框架，用于预测Densu盆地的地下水重金属污染。该研究整合了响应转换，包括高斯 copula，以及六种不同的机器学习算法。高斯 copula 方法产生了最可靠的结果，R 方值达到 0.96，并改进了模型残差，从而实现了更准确的空间预测。分析还确定铁和锰是重金属污染指数的关键贡献者。
-
AI模型利用数字学习轨迹预测有风险的学生
研究人员调查了旨在利用数字学习轨迹识别高等教育中高风险学生的预测模型的泛化性。通过分析两所大学本科计算机科学课程的数据，研究发现与自我调节学习相关的行为，如时间管理和持续参与，是学生风险的有力预测指标。虽然模型可以在课程早期预测高风险学生，但当应用于不同机构时，其性能会下降，尤其是在高风险学生的基础发生率不同时。