已經跟呼吸一樣重要的網路和手機論文書籍站
臺北醫學大學 大數據科技及管理研究所碩士班 張 詠淳所指導 白芬佳的 以自然語言處理探索Covid19疫情期間泰國社群媒體自殺意圖與情感分析之研究 （2021），提出f1排名2022關鍵因素是什麼，來自於自殺意圖、情緒分析、新冠肺炎、自然語言處理。
而第二篇論文高雄醫學大學 醫務管理暨醫療資訊學系碩士班 魏春旺所指導 陳人豪的 基於機器學習之子癲前症預測模型發展與評估 （2021），提出因為有 子癲前症、機器學習、特徵值篩選、演算法評估、預測模型的重點而找出了 f1排名2022的解答。
以自然語言處理探索Covid19疫情期間泰國社群媒體自殺意圖與情感分析之研究
為了解決f1排名2022 的問題，作者白芬佳 這樣論述：
由於 Covid-19 流行，人們在適應這種新生活方式之前，必須經歷許多變化，尤其是在心理健康方面，因為我們大多數人都被孤立了。社交媒體的數字痕跡可以提供生態數據並揭示心理和行為特徵。泰國的自殺率在東南亞排名第二，為每 10 萬人 0.73%，這是大流行期間的一個主要問題，因為在全球金融危機期間，泰國可能面臨與 20 年前相同的情況。本研究旨在通過分析泰國社交媒體 Twitter 文本數據對自殺意圖、情緒識別和文本情緒的訓練，應用深度學習和機器學習來調查該問題。該研究比較了六種傳統分類和三種深度學習模型。除此之外，關鍵詞提取、LLR和語言學特徵是實驗中添加的，以創建深度學習模型中分析短文本數
據的新最佳模型； Bi-LSTM 和 Bert。此外，SMOTE（重採樣）已被用於解決數據不平衡的問題。除此之外，該研究還提供了關鍵字分析，以支持調查問題。結果，新添加的特徵深度學習模型的性能不如帶有 SMOTE、重採樣的 Bert。它在預測未標記數據的每項任務中提供了最高的 Marco F1 分數。結果還表明了，自殺推文、悲傷情緒和負面情緒推文在 2020 年顯著增加。這表明 Covid-19 大流行可能通過社交媒體產生了影響。另一個有趣的結果是關鍵詞分析，特別是在任務 2 中，每個情緒類別中的關鍵詞都顯著地代表了情緒。該結果還可以指示註釋的準確性和 kappa 值。
基於機器學習之子癲前症預測模型發展與評估
為了解決f1排名2022 的問題，作者陳人豪 這樣論述：
子癲前症為造成全球孕產婦死亡的主要原因，WHO2019年統計此疾病為2000至2017年孕產婦死亡排名第二名，但全世界發生率僅為5%至7%。然而目前臨床進行的方式為孕期間的自費項目，並額外抽血和生理檢測，由Fetal Medicine Foundation (FMF) 英國機構所提供的FMF篩選演算法，執行子癲前症的預測，提供給醫師評估給藥，再以低濃度阿斯匹靈進行預防投藥，進而降低母體演變成子癲前症的機率。依照2021年三篇文獻對此演算法的研究，FMF演算法精準度範圍約為70.8至77.5%、AUC為71%與73.3%，在預估的表現上為一般水準，並且其中特徵值「子宮動脈搏動指數」需要FMF官
方認證證照才可使用，但全世界只有6,672位醫師通過，台灣僅為132人，而降低了FMF演算法的普及性。本研究主要目標為以產檢常規特徵值加上機器學習演算法的組合，達到表現能力相當或更優於FMF演算法。數據集使用DRYAD公開資料庫，收錄475筆數據和72項常規檢查特徵值，刪除服用阿斯匹靈個案後剩餘401筆數據 (子癲前症152位、正常個案249位)，經刪除與本研究無關，以及與依變數之相關係數不具顯著性的特徵值，保留13個特徵值進行後續預測模型建構。依據文獻探討，較用於本研究的機器學習模型有隨機森林、梯度提升決策樹(GBDT)，以及極限梯度提升等三種演算法(XGBoost)，配合缺失值插值法kNN
以及不平衡數據處理 (SMOTE、MSMOTE、ENN)，組合成新模型進行子癲前症之預測訓練，並加上孕期常規的檢查項目為特徵值，達到良好的訓練結果和演算法組合模型建議。研究結果以XGBoost+SMOTE組合表現最佳，精準度0.926、精確度0.931、召回率0.871、F1-score 0.9、AUC 0.957，遠優於現今臨床使用的FMF演算法，可作為發展子癲前症預測系統之參考，以提高孕產婦的妊娠安全。