QC data from five select in vitro d

QC data from five select in vitro diagnostic assays were combined with the corresponding database of customer complaints over a period of 90 days. A subset of these data over the last 45 days was also analyzed to assess how the length of the training period affects predictions. We defined a set of features used to train two classifiers, one based on decision trees and the other based on adaptive boosting, and assessed model performance by cross-validation.

結果 (繁體中文) 1:

從五個QC數據選擇體外診斷測定用的客戶投訴歷時90天相應的數據庫相結合。這些數據在過去45天的一個子集也被分析，以評估訓練週期的長度如何影響預測。我們通過交叉驗證定義了一組用來訓練兩個分類，根據決策樹一個基於自適應增強的其他功能，並評估模型性能。

結果 (繁體中文) 2:

從5個選擇的體外診斷檢測的QC資料與相應的客戶投訴資料庫相結合，在90天內。還分析了過去 45 天內這些資料的子集，以評估培訓期間的長度如何影響預測。我們定義了一組用於訓練兩個分類器的功能，一個基於決策樹，另一個基於自我調整提升，並通過交叉驗證評估模型性能。

結果 (繁體中文) 3:

從5個選擇的體外診斷分析中得到的品質控制數據與90天內客戶投訴的相應資料庫相結合。過去45天的這些數據的一個子集也被分析，以評估訓練期的長短如何影響預測。我們定義了一組用於訓練兩個分類器的特徵，一個是基於決策樹的，另一個是基於自我調整boosting的，並通過交叉驗證來評估模型效能。