In contrast by contr的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

基於KANO模型的老年群體對於機構在地養老場景及候鳥式機構養老場景服務需求比對分析

為了解決In contrast by contr的問題，作者黃卓鋮 這樣論述：

　　養老產業與旅遊產業的融合方興未艾，但是對在機構養老場景下老年群體心理需求的研究卻有所欠缺。本研究通過對"ERG"心理學理論的梳理，細分老年群體心理需求。通過文獻回顧、半結構式訪談與德爾菲法，將養老機構所提供之服務與心理需求進行對應。使用KANO模型，探討在機構在地養老場景下與在候鳥式養老場景之下，老年群體的心理需求是否存在優先次序，以及在两种不同場景之下，老年群體對服務項目的感知與心理需求是否會發生偏移，以此為旅遊產業與養老產業的融合鋪設理論基礎。　　本研究共發放298份問卷，有效問卷207份。進行spss資料統計分析與KANO需求屬性質性分析與SI、DSI係數量化分析。得出結論，不論在

何場景，全年齡段普遍性生理需求、尊重需求及安全需求均處於需要被優先滿足的地位。在候鳥式養老場景之下，安全、親情、交往需求下的全部題項的SI係數相較機構在地長居養老場景上升明顯，老年群體特有生理需求、親情需求、價值需求下的全部題項的DSI係數下降顯著。因此相關業者需要基於不同場景配置資源，以滿足老年群體多層次、多方面的需求。

不平衡資料分類之過取樣研究

為了解決In contrast by contr的問題，作者林桐斌 這樣論述：

現實世界以感測器蒐集之多類別數據集異常樣本之數量通常遠少於正常樣本之數量，這種數據集又稱為不平衡數據集(imbalanced data set)。許多機器學習(machine learning)演算法在用於不平衡數據集辨識異常樣本時之表現都不如辨識正常樣本，對此過取樣(oversampling)是改善此問題之ㄧ種可行方法。在本研究中提出兩種有效之過取樣方法分別為進化式馬氏距離過取樣(evolutionary Mahalanobis distance oversampling, EMDO)和迭代式馬氏距離過取樣(iterative Mahalanobis distance oversampli

ng, IMDO)。這兩種方法都是利用多組橢球來近似於少數類別之判定區域，EMDO以多目標粒子群演算法(multi-objective particle swarm optimization, MOPSO)和Gustafson-Kessel演算法學習每個橢球之大小、中心和方向。而IMDO則是基於最大期望演算法(expectation maximization, EM)進行學習。在模擬中會證明EMDO擁有更佳準確率，而IMDO在準確率和運算速度上取得良好平衡。無論如何，本研究所提出之兩種方法都優於目前大多數廣泛使用之過採樣演算法。本研究也於台北捷運公司所合作之AI人工智慧研究計畫中，針對軌道電路

(track circuit)資料應用IMDO和EMDO來進行軌道電路故障預判系統之設計與開發。另外為能夠了解台灣全區之落雷分佈情況，台電公司對此建置一套整合型落雷偵測系統(Total Lightning Detection System，TLDS)，該系統會將雷擊資料儲存於伺服器中，運作20年來已經收集非常大量之台灣雷擊數據。在本研究中將使用TLDS所蒐集之雷擊數據結合台灣輸電鐵塔資料，以深度學習進行資料分析開發一套雷擊閃絡風險決策科學模型。然而在實際資料中曾經發生過雷擊閃絡事故之鐵塔遠遠少於未曾發生過事故之鐵塔，有著嚴重之不平衡問題，會影響機器學習效能。為改善此問題，本研究將IMDO和EM

DO應用於學習過程中所遇到之不平衡問題。並且在實驗章節中證明該方法確實適用於台灣訓練資料合成，使得雷擊閃絡風險模型有著令人滿意的辨識結果。