ASTM D7915-18
同时识别数据集中多个离群值的广义极值学习偏差(GESD)技术应用的标准实施规程

Standard Practice for Application of Generalized Extreme Studentized Deviate (GESD) Technique to Simultaneously Identify Multiple Outliers in a Data Set


 

 

非常抱歉,我们暂时无法提供预览,您可以试试: 免费下载 ASTM D7915-18 前三页,或者稍后再访问。

您也可以尝试购买此标准,
点击右侧 “立即购买” 按钮开始采购(由第三方提供)。

 

标准号
ASTM D7915-18
发布
2018年
发布单位
美国材料与试验协会
替代标准
ASTM D7915-22
当前最新
ASTM D7915-22
 
 

ASTM D7915-18相似标准


推荐

Review:1.生信基本统计方法

标准差(Standard deviation):计算方法为将方差开根号,跟方差作用一样,但是更直观。4. 中值(Median):即有序变量中间,用来描述数据中心趋势,排除了极端干扰。5. 极值(Range):最大减去最小,描述数值总体分布。用于研究很少发生,但一旦发生却会有巨大影响随机变量。6....

最新 | 今日份临床相关指导原则发布!

另外,在使用多个风险指 标进行监查时,应关注多重性问题,选择合适方法控制错误发现率。这些方法都可以在中心层面识别出各个风险指标潜在离群,作为现场监查指导,提示监查员应 更加关注相应异常指标。有时也需要能够结合多个风险指标,得到反映中心质量风险综合评分。...

知组识谱 | 浅谈机器学习模型偏差与方差

机器学习已经成为代谢组学数据分析和挖掘中非常重要工具,经典多元统计和机器学习(ML)方法如(广义)线性回归、逻辑回归(LR)、主成分分析(PCA)、偏最小二乘判别分析(PLS-DA)、正交(O)PLS-DA、支持向量机、随机森林(RF)等常被用于数据降维、生物标志物筛选、疾病风险预测等领域,其中一个常见临床应用场景是基于已有队列代谢组学数据(训练集),去训练多个机器学习模型,然后再使用验证集或测试集...

史无前例:Nature Medicine同期8篇论文,聚焦人工智能在医学领域应用

在这里,我们回顾了围绕在现有临床工作流程中实施AI一些关键实际问题,包括数据共享和隐私,算法透明度,数据标准化以及跨多个平台互操作性,以及对患者安全关注。我们总结了美国目前监管环境,并重点介绍了与世界其他地区比较,尤其是欧洲和中国。...


谁引用了ASTM D7915-18 更多引用





Copyright ©2007-2022 ANTPEDIA, All Rights Reserved
京ICP备07018254号 京公网安备1101085018 电信与信息服务业务经营许可证:京ICP证110310号