z score計算的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

公司財報重大不實表達偵測之研究-以光洋科為例

為了解決z score計算的問題，作者游雍淳 這樣論述：

隨著全世界商業蓬勃發展，形成巨大的經濟網絡，企業貪瀆舞弊案件頻傳，輕為影響員工士氣，重則進入司法程序，付出龐大的社會成本，而若能即時偵弊及防弊，將有助於減少舞弊帶來的各項損失。 本研究以光洋科財務假帳之舞弊案為例，利用班佛定律﹙Benford‘s law﹚進行個案研究，並結合公司治理擬定合宜的防弊與偵弊策略，期能有效遏阻舞弊貪瀆的發生。 本研究取材自台灣經濟新報資料﹙TEJ﹚及公開資訊觀測站，以2012年至2015年重編前後各四個年度之季資產負債表、季損益表、季現金流量表及季股東益變動表為依據匯整成年財務資料，透過Python及Excel軟體分析每年度財報各數值首位數1到

9之分布比例，再依據財務報表偏離分數﹙FSD score﹚計算方式，計算出與班佛定律理論值之偏離程度，並比較財報重編前後偏離程度之差異。 本研究在財報數據分析結果方面，每年之重編後較重編前之財務報表各數值首位數機率分布更趨近於班佛定律，意即當期財務報表平均偏離分數與當期財務報表舞弊顯示為正相關，故當財務報表平均偏離分數較大時，舞弊風險可能隨之提高，此時，便需進一步制定查核方案。

應用深度學習與3D列印技術於頭部電腦斷層掃描全自動分割辨識鼻竇與鼻竇黏膜發炎系統之開發及提出臨床診斷全新慢性鼻竇炎之評估標準

為了解決z score計算的問題，作者廖育樞 這樣論述：

慢性鼻竇炎是一種非常流行的氣道疾病，嚴重影響患者的生活品質。慢性鼻竇炎大多以病患自己主觀的症狀陳述做為臨床判斷而並無實際客觀數據與標準化。電腦斷層掃瞄因能清楚觀測鼻竇黏膜發炎造成鼻竇中出現灰色混濁區域，故使用電腦斷層掃描評估鼻竇黏膜發炎程度目前被認為是客觀診斷慢性鼻竇炎的方式。慢性鼻竇炎有許多用於電腦斷層掃描分析的分級系統，本文以目前美國耳鼻喉頭頸外科醫學會使用Lund-Mackay分級系統做為鼻竇炎之研究標準，因這種分級系統依十個不同的鼻竇（含左右上頷竇、前篩竇、後篩竇、額竇與蝶竇）的黏膜發炎程度個別計分，當黏膜發炎程度不佔電腦斷層掃描影像時記為0分，當黏膜發炎程度佔100%時記為2分，所

有其他程度都被記為1分，故診斷者能在不費時的情況下評斷較一致性，相較於其他分級系統簡單通用，且診斷者不需經過專業的醫療放射學訓練即可進行。但有研究指出該系統缺乏足夠的分級來觀測黏膜發炎程度的量化，因此出現研究者增加分級的數量以改進此系統。而這些改進的分級系統中，計算各鼻竇黏膜發炎比例的分級系統被證實為具更佳評估慢性鼻竇炎之方法，與慢性鼻竇炎病患之症狀嚴重程度更具相關性，但使用視覺觀測鼻竇黏膜發炎比例會失去一般Lund-Mackay分級系統中診斷者間評估的一致性，使分級系統趨於主觀，且目前計算鼻竇黏膜發炎程度仍需手動框選各種不同鼻竇之輪廓再加以計分，實施費時。因此，若能將評估系統全自動化實踐，將

成為日後衡量慢性鼻竇炎嚴重程度之黃金標準。　　本研究為改進評估慢行鼻竇炎鼻竇黏膜發炎程度之分級系統，開發出一套全自動化之系統，能適用於目前Lund-Mackay及其他改進分級系統之計分，快速計算頭部電腦斷層掃描中左右各五種不同鼻竇與其黏膜發炎比例，給予醫師臨床診斷之建議。　　本研究分為三部分，第一部份利用深度學習卷積神經網路中的語義分割方法全自動分割及辨識出各種鼻竇區域之輪廓，第二部份為各鼻竇之體積重建與驗證，第三部份為計算各鼻竇的黏膜發炎比例之分級系統給予是否進行手術的建議指標。一、 本研究使用三軍總醫院50組病患電腦斷層掃描資料，與醫師協同確實標註影像中上頷竇、前篩竇、後篩竇、額竇與蝶竇之

區域輪廓，接著使用專為醫學影像分割而開發出之語義分割模型UNet對所使用之資料集進行訓練，再結合新穎之深度學習方法對語義分割模型進行改進，含融合高解析度特徵圖跳躍連接使鼻竇輪廓分割細節更完整、自我學習特徵圖間的關係凸顯出重要的特徵圖、深度可分卷積減少運算與參數量、殘差連接穩定模型訓練與半監督式學習對未標註資料進行訓練與驗證。並依醫學影像分割判定之指標Dice評估模型之效能，得Dice可達到91.57％，代表能對影像做精準的分割與辨識，且預測100組病患資料平均每一組僅需9.7285秒，相比醫師手動框選花上至少一小時，大幅提升效率。此外還請到三位三軍總醫院的耳鼻喉科醫師，對語義分割模型所預測之額

外100組不同病患電腦斷層掃描資料進行準確度計分，這些電腦斷層掃瞄資料含左右上頷竇、前篩竇、後篩竇、額竇與蝶竇，得平均準確度高達94.6%，表示語義分割模型能精準分割辨識出各種不同的鼻竇區域輪廓，即使在難以區分的鼻竇口也能正確分割，僅在少量前篩竇與額竇相連時影像切片未出現邊界區域而造成誤判，證實本系統同時有快速且低誤判之優點有助於臨床給予醫師建議。二、 根據語義分割模型所分割辨識的上頷竇、前篩竇、後篩竇、額竇、蝶竇與其黏膜發炎之輪廓使用Marching cube進行三維體積重建，以3D列印技術列印出三個不同病患之鼻竇樣本，驗證實際體積與系統所得體積之計算誤差，得誤差平均為1.44％，驗證本研究

方法求得之各鼻竇與其黏膜發炎體積的可靠度。三、 依上頷竇、前篩竇、後篩竇、額竇、蝶竇與其黏膜發炎比例所計算出之全新Lund-Mackay分級系統作為是否進行手術的建議指標，經由約登指數求出最佳閾值評估是否可以有效診斷手術之必要性。得當分數為6.92時為最佳閾值，靈敏度、特異度與接收者操作特性曲線下面積分別為96.0％、92.6％與0.981，與一般Lund-Mackay分級系統靈敏度、特異度與接收者操作特性曲線下面積的84.0%、86.8%與0.857相比能更精準提供臨床偵測與診斷。證實依各鼻竇實際黏膜發炎比例評估慢性鼻竇炎能更有效了解病患之症狀程度，且能同時快速且精準的提供給醫師手術診斷的準

確性參考依據。