VW recall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

VW recall進入發燒排行的影片

使用大規模數據集對脂肪肝疾病的當前訪問和下次訪問預測：模型開發和性能比較

為了解決VW recall的問題，作者吳承澤 這樣論述：

脂肪肝Fatty Liver Disease（FLD）是由脂肪在肝臟中堆積引起的，可能引起肝臟發炎，如果控制不好，可能會發展成為肝纖維化 (liver fibrosis)、肝硬化 (cirrhosis)，甚至肝細胞癌 (hepatocellular carcinoma)。基於來自健康檢查中心的多年且大規模數據集，本文提出了脂肪肝疾病 (FLD) 預測的兩項任務，包括當前訪問預測Current-Visit Prediction (CVP)和下次訪問預測Next-Visit Prediction (NVP)。當前訪視預測可用於根據本次訪視時獲得的實驗室檢查(laboratory test)和問卷

信息(questionnaire information)預測 FLD 的可能性，而下次訪視預測可用於預測 FLD 發生的可能性。下一次訪問，基於實驗室測試的軌跡和所有過去訪問的問卷信息。在實踐中，NVP 在預防醫學中更有價值，因為如果預測是肯定的，醫生可以向患者建議有效的生活方式改變，以防止下次就診時發生 FLD。據我們所知，這是基於大規模的健康檢查中心之數據集根據在NVP的機器學習的首次嘗試。此外，我們還基於 CVP/NVP 進行了特徵選擇，以在與醫生手動選擇的特徵進行比較時獲得一致的結果。這種多任務預測可以為患者和醫生提供更好和有價值的建議，以實踐預防醫學。我們描述了機器學習模型的構建用

於當前訪問預測（CVP），它可以幫助醫生獲得更多信息以進行準確診斷，以及下次訪問預測（NVP），它可以幫助醫生提供潛在的高風險患者提供有效預防 FLD 的建議。在本研究中使用的大規模高維數據集來自台灣台北市 MJ 健康研究基金會。我們在 FLD 預測中使用一次性排序和順序前向選擇 (SFS) 進行特徵選擇。對於 CVP，我們探索了多種模型，包括 k-最近鄰分類器 (KNNC)、Adaboost、支持向量機 (SVM)、邏輯回歸 (LR)、隨機森林 (RF)、高斯樸素貝葉斯 (GNB)、決策樹 C4 .5 (C4.5)，以及分類和回歸樹 (CART)。對於 NVP，我們使用長短期記憶 (LSTM

) 及其幾種變體作為使用各種輸入集進行預測的序列分類器。模型性能的評估基於兩個標準：測試集的準確性以及一次性排序/SFS 和領域專家選擇的特徵之間的聯合/覆蓋的交集。分別計算了男性和女性的 CVP 和 NVP 的準確度、精確度、召回率、F1 測量值和接受者操作特徵曲線下的面積。最後在經過數據清理後，數據集包括 2009-2016 年期間男性和女性的 34,856 次和 31,394 次獨立訪問。使用KNNC、Adaboost、SVM、LR、RF、GNB、C4.5、CART對CVP的測試精度分別為84.28%、83.84%、82.22%、82.21%、76.03%、75.78%、75.53%。

NVP使用LSTM、雙向LSTM（biLSTM）、Stack-LSTM、Stack-biLSTM和Attention-LSTM的測試準確率分別為76.54%、76.66%、77.23%、76.84%和77.31%，固定間隔特徵，以及對於可變間隔特徵，分別為 79.29%、79.12%、79.32%、79.29% 和 78.36%。本研究探索了一個用於高維的大規模 FLD 數據集。我們為 CVP 和 NVP 開發了 FLD 預測模型。我們還為當前和下次訪問預測實施了有效的特徵選擇方案，以將自動選擇的特徵與專家選擇的特徵進行比較。特別是，從預防醫學的角度來看，NVP 顯得更有價值。對於 NVP，我

們建議使用更緊湊和靈活的特徵集 2（具有可變間隔）。我們還結合兩個特徵集測試了 LSTM 的幾種變體，以確定男性和女性 FLD 預測的最佳匹配。更具體地說，男性的最佳模型是使用特徵集 2 的 Stack-LSTM（準確率為 79.32%），而女性的最佳模型是使用特徵集 1 的 LSTM（準確率為 81.90%）。