Html cart icon的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和懶人包總整理

應用機器學習演算法於失智症量表數據以預測失智症

為了解決Html cart icon的問題，作者徐睿朋 這樣論述：

本論文透過失智症資料建立預測模型，使用的資料為臨床失智症量表與認知功能評估問卷結果，應用機器學習演算法，包括邏輯斯迴歸、決策樹與隨機森林、旋轉森林、核旋轉森林、XGBoost 演算法建立預測模型，比較各演算法模型的準確度與靈敏度，診斷結果分為兩個面向，根據醫師改良的臨床失智症量表 (Clinical Dementia Rating, CDR)，將診斷結果分成正常、輕度認知障礙、失智三類 (Group 3)，以及正常、輕度認知障礙、輕度失智、中度失智、重度失智五類 (Group 5) 兩種，再根據 4162 位受試者於此量表的作答情況，對應其診斷結果訓練模型，並且透過重要度分析篩選相對重要的題

目。其中旋轉森林與 XGBoost 的模型在預測受試者對應 Group 3 與 Group 5 時，準確度都分別達到約 0.94 與 0.9 相對優異。透過重要度分析從 50 道題目中選出 5 題再訓練模型，兩種方法對應 Group 3 與 Group 5 時準確度都分別達到約 0.88 與 0.74。在資料(二)認知功能評估問卷結果使用，根據 17474 位受試者的性別、年紀、教育程度，以及其認知功能障礙篩檢量表 (Cognitive Abilities Screening Instrument, CASI)、簡易心智量表 (Mini Mental State Examination, MM

SE)、蒙特利爾認知評估 (Montreal Cognitive Assessment, MoCA) 三種量表中其中一種的總分，對應其診斷結果 Group 3，分為三個部分，第一部分失智症全年齡分析，第二部分按照年紀的分群與第三部分認知功能異的模型建立與分析資料的準確度與靈敏度，第一部分準確度最高為 隨機森林 0.743，第二部分準確度最高為 76 歲以上的分群最高達到 0.809，第三部分認知功能異常分群準確度最高為 0.877，這樣的結果在過去失智症診斷準確度比較有相對優異的進步。

初探影音部落客之社群經營對其影音閱視之影響－以美妝Youtuber為例

為了解決Html cart icon的問題，作者馬彩瑜 這樣論述：

資訊發達的時代，社群媒體平台改變了人與人互動的方式。Facebook及Instagram等社群媒體平台在台灣滲透率最高；而YouTube是全球最大的影音平台，2017年六月宣布每月有15億的活躍用戶，僅次於Facebook 20億用戶的龐大規模。也因此本研究欲探討社群媒體平台的經營是否會造成閱聽人觀看影片次數，最終本研究以Facebook及Instagram的「按讚數」、「留言數」、「分享數」來預測YouTube「觀看人數」；本研究使用CART分類迴歸樹及多元線性迴歸來預測，透過CART分類規則，結果表明，儘管整體預測能力低於預期，但透過CART分類規則，可在資料中找到重要影響變數，可以為Y

outubers提供相關的訊息來增加其視頻中的觀看次數，也可以為品牌公司提供最大的目標，推薦適合的人選。