歡迎來到演算法、軟體和硬體三位一體的未來世界論文書籍站
臺北醫學大學 醫學資訊研究所碩士班 劉德明、楊軒佳所指導 陳雅霖的 預測新使用筆型胰島素之第二型糖尿病人的服藥順從度 （2021），提出python介於兩數之間關鍵因素是什麼，來自於第二型糖尿病、服藥順從度、電子病歷、機器學習。
而第二篇論文國立勤益科技大學 電機工程系 葉政育所指導 詹育誠的 漁船辨識系統與模型效能提升之研究 （2021），提出因為有 漁船辨識、圖像識別、深度學習、卷積神經網路的重點而找出了 python介於兩數之間的解答。
預測新使用筆型胰島素之第二型糖尿病人的服藥順從度
為了解決python介於兩數之間 的問題，作者陳雅霖 這樣論述：
研究背景第二型糖尿病的全球盛行率預估於2030年達到7%。不同於其他的慢性疾病，第二型糖尿病的治療選擇涵蓋口服及針劑藥品。而根據過去研究，針劑藥品的藥品順從度平均60%，遠低於研究上定義之高順從度的80%。一位糖尿病病人平均診斷五到十年後可能會開始使用針劑藥品，而在這樣的治療轉換期，特別需要個人化的衛教來提升藥品順從度及治療效果。過去預測服藥順從度的研究多為以口服藥品為預測對象，針劑藥品，如胰島素，尚未嚴謹的探討。研究目標本研究預計建立機器學習模型，針對第二型糖尿病成人及首次使用胰島素患者，進行高或低順從度的二分類預測；預測結果為首次使用胰島素後90天。使用的模型包含邏輯斯迴歸（logist
ic regression，LR）、隨機森林（random forest，RF）及極限梯度提升（extreme gradient boosting，Xg）。本研究包含兩階段實驗：實驗一使用內部測試集的資料分割方式，假設Xg模型會有最佳效果；實驗二使用外部測試集的方式來驗證此研究方法的應用性。最後，我們使用SHapley Additive exPlanations（SHAP）進行模型解釋。研究方法本研究資料來源為臺北醫學大學臨床研究資料庫（TMUCRD），資料區間為2004年1月1日到2020年12月30日。病人收錄條件為有第二型糖尿病診斷、使用基礎型胰島素及年齡介於18到90歲之間。高順從度的
定義為藥物佔有率（medication possession ratio，MPR）等於或大於80%。機器學習模型的預測結果為病人是否為高順從患者，使用過去一年的資料當作模型參數。本研究總共收集66個參數，可分為七大類：人口學、藥品、共同疾病、實驗數值、醫療資源使用情形、首次使用胰島素織品項及合併首次胰島素開立之其他糖尿病藥品。研究結果本研究從TMUCRD收取病人，基過收錄集排除條件，共收集了4134位病人的資料。該研究族群有40.14%的病人為高順從患者。實驗一中，Xg模型（AUROC 0.792）表現優於LR 模型（AUROC 0.754）及 RF 模型（AUROC 0.791）。SHAP方
法進一步解釋模型，發現過去藥品開立數量、門診造訪次數、使用高血壓藥品及相關實驗數值為重要參數。另外，首次開立胰島素之資訊，如自費金額、開藥天數及劑量也對模型預測能力有影響。實驗二中，最好的模型為RF模型，AUROC為0.778。結論本研究建立了可於首次開立胰島素時即預測病人未來９０天的服藥順從度，可望在未來成為臨床決策系統。然而，未來需要更多努力，如模型的外推性及臨床驗證，使研究可以落實於臨床場域。
漁船辨識系統與模型效能提升之研究
為了解決python介於兩數之間 的問題，作者詹育誠 這樣論述：
本文的漁船辨識系統是一個延續性的研究，主要針對第一代的漁船辨識模型進行效能改善的研究。漁船辨識模型的改善主要有兩個面向：其一是對數據集的內容進行改進。其二是修改辨識模型架構並進行再訓練。首先在數據集方面進行三個調整：第一是漁船數量從第一代的157艘增加到272艘，也就是說改進後的模型具有更好的泛化能力。第二是對數據集中每艘漁船的圖像數量進行調整，使其盡可能的平衡。調整後的每艘漁船圖像數量範圍介於2到30張圖像之間；而前一版本的每艘漁船圖像數量範圍是從1到417張圖像，分佈非常不均勻。第三是將模型輸入的圖像大小從原始的160 × 160更改為160 × 480，這個圖像比例對於一般漁船來說更為
合理。最後，實驗結果證明本文模型在閾值為0.841418時的錯誤接受率(FPR)是0.61%、準確率高達96.11%。