走在汽車革命的路上論文書籍站
臺北醫學大學 藥學系碩士班 陳香吟所指導 呂亞庭的 機器學習預測胺碘酮誘發的甲狀腺功能障礙風險 （2021），提出幾何平均數python關鍵因素是什麼，來自於胺碘酮、胺碘酮引起的甲狀腺功能障礙、機器學習、極限梯度提升、不平衡資料、羅吉斯迴歸、自適應增強、K-近鄰演算法。
而第二篇論文國立高雄師範大學 工業科技教育學系 鄭國明所指導 林群峰的 Kodu遊戲設計教學對國小學童運算思維提昇成效之研究 （2016），提出因為有 Kodu、運算思維、視覺化程式、遊戲設計的重點而找出了 幾何平均數python的解答。
機器學習預測胺碘酮誘發的甲狀腺功能障礙風險
為了解決幾何平均數python 的問題，作者呂亞庭 這樣論述：
研究背景胺碘酮引起的甲狀腺功能障礙是一種危及生命、不可預測且常見的藥物不良反應。只收集單次病人資訊進行統計分析無法得到良好的預測結果，同時大資料庫分析常會遇到資料不平衡的挑戰，準確的機器學習能夠能良好預測此多重因子相關且複雜的藥物不良反應。研究目的以再採樣方法調整不平衡數據，以預測胺碘酮引起甲狀腺異常的風險，並藉由重新調整臨床決策閾值來優化機器學習模型。研究方法使用北醫臨床數據庫於2013年至2017年使用胺碘酮的病人進行研究，以來自臺北醫學大學附設醫院、萬芳醫院資料為訓練組，及雙和醫院為外部驗證組。本研究由4種機器學習演算法XGBoost、AdaBoost、KNN和LR模型，除原始數據外，
並進行三種重新取樣方法，共建立16個機器學習模型。使用準確率、精確度、召回率、F1 分數、幾何平均數（G-mean）、ROC曲線及其面積和PRC曲線下面積來比較16種模型的表現，決定最佳模型後，再探討重新調整臨床決策閾值比較模型表現差異，決定於臨床使用的最佳閾值。研究結果本研究使用4075位病人進行訓練和2422位病人外部驗證，其中583(14.3%)為甲狀腺功能障礙組。外部測試集是來自雙和醫院2,422中有275(11.4%)發生甲狀腺異常。XGBoost-SMOTE在所有16個模型中展示了最好的預測結果。準確率0.909、精確率0.574、召回率0.764、F1分數0.660、ROC曲線下
的面積0.926及PRC曲線下面積0.73，而最佳臨床決策閾值為0.673，在此最佳切點之下，F1分數可達最大值0.684。結論機器學習模型搭配重新取樣可以作為胺碘酮引起的甲狀腺功能障礙的個體化風險分層臨床決策的支持工具。
Kodu遊戲設計教學對國小學童運算思維提昇成效之研究
為了解決幾何平均數python 的問題，作者林群峰 這樣論述：
本研究旨在探討資訊課程中實施Kodu（Microsoft Kodu Game）遊戲設計教學對國小五年級學童運算思維提昇之成效，並進一步分析實驗組中不同性別、不同認知風格以及不同領域學業成績之學童其運算思維提昇之成效是否有所差異。本研究採準實驗研究法，研究對象為高雄市市區國小五年級97位學生，以43位接受Kodu遊戲設計教學學童為實驗組；54位未接受Kodu遊戲設計教學學童為控制組，時間為期十六週。結果顯示：(1)接受Kodu遊戲設計教學之學童，不論男生或女生對其運算思維提昇之成效皆有顯著效益。(2)實驗組中「文字-圖像」有不同認知風格之學童，其運算思維提昇之成效有顯著差異。(3)實驗組中在數
學領域有不同學業成績表現之學童，其運算思維提昇之成效有顯著差異。(4) Kodu遊戲設計教學能維持學童之學習動機，增進其運算思維之能力。