red score что такое

QR-коды в России. Закон, сделка и полная шизофрения

В России планируют ввести обязательные QR-коды для транспорта, кафе и магазинов. Регулироваться применение кодов будет общим федеральным законом. Но. закона нет, а действуют требования прямо сейчас. Вместе с экспертами разбираемся в происходящем и приходим к выводу, что вопросов слишком много, в отличие от ответов.

Итак, необходимость предъявлять сертификаты о вакцинации при покупке билетов ляжет на пассажиров самолётов и поездов в случае принятия законопроектов. Пока норм нет, оперативный штаб по борьбе с ковидом в России сообщил лишь о начале законотворческой деятельности. Но. в большинстве регионов страны требование предъявить код уже действует. Так значит, всё, что просят от нас прямо сейчас, незаконно? Царьград в беседе с экспертами пытался понять, что происходит.

Теория и практика

Оперативный штаб, как уточняют «Невские новости», работает вместе с профильными ведомствами. Когда законопроекты будут внесены в Госдуму, пока неясно. Однако теоретически принятый проект регламентирует внедрение QR-кодов на всех видах транспорта, в кафе, ресторанах и торговых центрах. Действовать требование будет по меньшей мере до середины 2022 года. Впрочем, пока это лишь прогноз.

Как подчеркнул в беседе с Царьградом руководитель экспертного совета Экспертного института социальных исследований Глеб Кузнецов, принятие федерального закона отчасти может стать благом, поскольку сегодня регионы пишут нам новые правила «кто в лес, кто по дрова»:

А вы попробуйте обжаловать QR-код в суде

Заслуженный адвокат России Дмитрий Краснов обратил внимание на двойственность и даже тройственность нашего положения. Если вспомнить, что Россия участвует в международных договорах, например в Нюрнбергской конвенции, регулирующей права и свободы человека, то предъявляемые сегодня требования по QR-кодам незаконны. С другой стороны, новая Конституция предполагает примат именно нашего права над международным:

То есть, в принципе, мы в своих принятых решениях свободны, не связаны ничем, никакими международными рамками и стандартами.

Опять же, режим ЧС в связи с пандемией коронавируса в России не объявлен. А условия жизни практически чрезвычайные. Людей постепенно ограничивают в правах, используя мягкую силу. И многие принимают решение привиться, поскольку это просто удобнее. По этому пути пошёл и сам Краснов, как он признался в беседе с Царьградом. Поскольку на работе поставили ультиматум, что в противном случае трудиться не получится:

Наконец ещё один нюанс, на который указал эксперт. Дмитрий Краснов сомневается, что мы видим решения именно региональных властей. Скорее это сделка, в условиях, когда федеральному центру невыгодно брать на себя всю долю ответственности, ведь это отразится на рейтингах:

Посмотрите правоприменительную практику. ЧС не ввели, то есть всё идёт вразрез с нормами международного и нашего законодательства. Но попробуйте обжаловать решения по поводу QR-кода. Какие будут судебные решения? Не в вашу пользу. Это говорит о том, что действует государственная политика, принятая к исполнению на самом высоком уровне. Просто она проходит через губернаторов, реализуется на конкретных субъектах, поскольку политики не хотят потерять электоральную поддержку. Она и так низкая в связи с плохим материальным положением, сложной международной и внутренней обстановкой, с падением доходов людей на протяжении последнего времени. Растёт инфляция, принимаются законы вопреки интересам народа. И так уже видно, что люди недовольны, а это добавляет недовольства и отнимает очки у руководителей, которые, видимо, хотят править нами ещё долго.

Законно, но.

Сопредседатель Всероссийского союза общественных объединений пациентов Ян Власов был менее категоричен. Он уверен, что QR-коды, введённые на местном уровне, законны.

Кстати, о QR-кодах и возможности их обжалования в суде в эфире программы «Царьград. Главное» говорил накануне и учредитель «Первого русского» Константин Малофеев. Он отметил, что хотелось бы увидеть правоприменительную практику. Малофеев и сам юрист, но конечного ответа на вопрос, законны ли предъявляемые к нам требования или нет, для себя не получил. И найти истину можно, только обращаясь в суды.

Больше деталей в видеоверсии дискуссии в плеере чуть ниже.

Источник

Что такое шкала SCORE?

Шкала SCORE (Systematic COronary Risk Evaluation) разработана для оценки риска смертельного сердечно-сосудистого заболевания в течение 10 лет. Основой для шкалы послужили данные когортных исследований, проведенных в 12 странах Европы (включая Россию), с общей численностью 205 178 человек. Есть два варианта шкалы SCORE: для стран с низким риском и стран с высоким риском сердечно-сосудистых заболеваний (к ним относится Россия).

Как пользоваться шкалой SCORE?

Оценка суммарного риска смертельного сердечно-сосудистого заболевания с помощью шкалы зависит от пола, возраста, уровня систолического АД, курит ли пациент и уровня общего холестерина. Полученная цифра представляет собой вероятность наступления смертельного исхода от сердечно-сосудистого заболевания в течение ближайших 10 лет, выраженную в процентах.

Как интерпретировать результат?

В зависимости от полученного значения риска (в процентах) пациента следует отнести в одну из следующих категорий:

Как следует из шкалы риск умереть от сердечно-сосудистого заболевания у курящего мужчины 65-ти лет со средним систолическим артериальным давлением около 180 мм рт.ст. и общим холестерином 8 ммоль/л в ближайшие 10 лет составляет 47 %.

Когда суммарный сердечно-сосудистый риск выше рассчитанного?

Надо иметь в виду, что суммарный риск может быть выше, чем рассчитанный с помощью калькулятора SCORE, если имеются следующие признаки:

В каких случаях не нужно использовать шкалу SCORE?

Следующие категории пациентов по определению относятся к категории высокого риска. Дополнительный расчет суммарного риска по SCORE не нужен:

Диспансеризация и профилактика

В соответствии с нормативными документами Минздрава РФ выделяются три группы здоровья, позволяющие четко обозначить порядок действий в отношении каждого гражданина:

Консультации по Конкурсу Президентского фонда культурных инициатив проводятся в онлайн-формате. Результаты высылаются в виде текстов на электронную почту. Количество консультаций ограничено.

Консультации соответствуют разделам подготовки заявки на конкурс и включают:

Источник

Метрики в задачах машинного обучения

В задачах машинного обучения для оценки качества моделей и сравнения различных алгоритмов используются метрики, а их выбор и анализ — непременная часть работы датасатаниста.

В этой статье мы рассмотрим некоторые критерии качества в задачах классификации, обсудим, что является важным при выборе метрики и что может пойти не так.

Метрики в задачах классификации

Для демонстрации полезных функций sklearn и наглядного представления метрик мы будем использовать датасет по оттоку клиентов телеком-оператора.

Accuracy, precision и recall

Перед переходом к самим метрикам необходимо ввести важную концепцию для описания этих метрик в терминах ошибок классификации — confusion matrix (матрица ошибок).
Допустим, что у нас есть два класса и алгоритм, предсказывающий принадлежность каждого объекта одному из классов, тогда матрица ошибок классификации будет выглядеть следующим образом:

	True Positive (TP)	False Positive (FP)
	False Negative (FN)	True Negative (TN)

Здесь — это ответ алгоритма на объекте, а — истинная метка класса на этом объекте.
Таким образом, ошибки классификации бывают двух видов: False Negative (FN) и False Positive (FP).

Accuracy

Интуитивно понятной, очевидной и почти неиспользуемой метрикой является accuracy — доля правильных ответов алгоритма:

Эта метрика бесполезна в задачах с неравными классами, и это легко показать на примере.

Допустим, мы хотим оценить работу спам-фильтра почты. У нас есть 100 не-спам писем, 90 из которых наш классификатор определил верно (True Negative = 90, False Positive = 10), и 10 спам-писем, 5 из которых классификатор также определил верно (True Positive = 5, False Negative = 5).
Тогда accuracy:

Однако если мы просто будем предсказывать все письма как не-спам, то получим более высокую accuracy:

При этом, наша модель совершенно не обладает никакой предсказательной силой, так как изначально мы хотели определять письма со спамом. Преодолеть это нам поможет переход с общей для всех классов метрики к отдельным показателям качества классов.

Precision, recall и F-мера

Для оценки качества работы алгоритма на каждом из классов по отдельности введем метрики precision (точность) и recall (полнота).

Precision можно интерпретировать как долю объектов, названных классификатором положительными и при этом действительно являющимися положительными, а recall показывает, какую долю объектов положительного класса из всех объектов положительного класса нашел алгоритм.

Именно введение precision не позволяет нам записывать все объекты в один класс, так как в этом случае мы получаем рост уровня False Positive. Recall демонстрирует способность алгоритма обнаруживать данный класс вообще, а precision — способность отличать этот класс от других классов.

Как мы отмечали ранее, ошибки классификации бывают двух видов: False Positive и False Negative. В статистике первый вид ошибок называют ошибкой I-го рода, а второй — ошибкой II-го рода. В нашей задаче по определению оттока абонентов, ошибкой первого рода будет принятие лояльного абонента за уходящего, так как наша нулевая гипотеза состоит в том, что никто из абонентов не уходит, а мы эту гипотезу отвергаем. Соответственно, ошибкой второго рода будет являться «пропуск» уходящего абонента и ошибочное принятие нулевой гипотезы.

Precision и recall не зависят, в отличие от accuracy, от соотношения классов и потому применимы в условиях несбалансированных выборок.
Часто в реальной практике стоит задача найти оптимальный (для заказчика) баланс между этими двумя метриками. Классическим примером является задача определения оттока клиентов.
Очевидно, что мы не можем находить всех уходящих в отток клиентов и только их. Но, определив стратегию и ресурс для удержания клиентов, мы можем подобрать нужные пороги по precision и recall. Например, можно сосредоточиться на удержании только высокодоходных клиентов или тех, кто уйдет с большей вероятностью, так как мы ограничены в ресурсах колл-центра.

Обычно при оптимизации гиперпараметров алгоритма (например, в случае перебора по сетке GridSearchCV ) используется одна метрика, улучшение которой мы и ожидаем увидеть на тестовой выборке.
Существует несколько различных способов объединить precision и recall в агрегированный критерий качества. F-мера (в общем случае ) — среднее гармоническое precision и recall :

в данном случае определяет вес точности в метрике, и при это среднее гармоническое (с множителем 2, чтобы в случае precision = 1 и recall = 1 иметь )
F-мера достигает максимума при полноте и точности, равными единице, и близка к нулю, если один из аргументов близок к нулю.
В sklearn есть удобная функция _metrics.classificationreport, возвращающая recall, precision и F-меру для каждого из классов, а также количество экземпляров каждого класса.

Здесь необходимо отметить, что в случае задач с несбалансированными классами, которые превалируют в реальной практике, часто приходится прибегать к техникам искусственной модификации датасета для выравнивания соотношения классов. Их существует много, и мы не будем их касаться, здесь можно посмотреть некоторые методы и выбрать подходящий для вашей задачи.

AUC-ROC и AUC-PR

При конвертации вещественного ответа алгоритма (как правило, вероятности принадлежности к классу, отдельно см. SVM) в бинарную метку, мы должны выбрать какой-либо порог, при котором 0 становится 1. Естественным и близким кажется порог, равный 0.5, но он не всегда оказывается оптимальным, например, при вышеупомянутом отсутствии баланса классов.

Одним из способов оценить модель в целом, не привязываясь к конкретному порогу, является AUC-ROC (или ROC AUC) — площадь (Area Under Curve) под кривой ошибок (Receiver Operating Characteristic curve ). Данная кривая представляет из себя линию от (0,0) до (1,1) в координатах True Positive Rate (TPR) и False Positive Rate (FPR):

TPR нам уже известна, это полнота, а FPR показывает, какую долю из объектов negative класса алгоритм предсказал неверно. В идеальном случае, когда классификатор не делает ошибок (FPR = 0, TPR = 1) мы получим площадь под кривой, равную единице; в противном случае, когда классификатор случайно выдает вероятности классов, AUC-ROC будет стремиться к 0.5, так как классификатор будет выдавать одинаковое количество TP и FP.
Каждая точка на графике соответствует выбору некоторого порога. Площадь под кривой в данном случае показывает качество алгоритма (больше — лучше), кроме этого, важной является крутизна самой кривой — мы хотим максимизировать TPR, минимизируя FPR, а значит, наша кривая в идеале должна стремиться к точке (0,1).

Критерий AUC-ROC устойчив к несбалансированным классам (спойлер: увы, не всё так однозначно) и может быть интерпретирован как вероятность того, что случайно выбранный positive объект будет проранжирован классификатором выше (будет иметь более высокую вероятность быть positive), чем случайно выбранный negative объект.

Рассмотрим следующую задачу: нам необходимо выбрать 100 релевантных документов из 1 миллиона документов. Мы намашинлернили два алгоритма:

Скорее всего, мы бы выбрали первый алгоритм, который выдает очень мало False Positive на фоне своего конкурента. Но разница в False Positive Rate между этими двумя алгоритмами крайне мала — всего 0.0019. Это является следствием того, что AUC-ROC измеряет долю False Positive относительно True Negative и в задачах, где нам не так важен второй (больший) класс, может давать не совсем адекватную картину при сравнении алгоритмов.

Для того чтобы поправить положение, вернемся к полноте и точности :

Здесь уже заметна существенная разница между двумя алгоритмами — 0.855 в точности!

Precision и recall также используют для построения кривой и, аналогично AUC-ROC, находят площадь под ней.

Здесь можно отметить, что на маленьких датасетах площадь под PR-кривой может быть чересчур оптимистична, потому как вычисляется по методу трапеций, но обычно в таких задачах данных достаточно. За подробностями о взаимоотношениях AUC-ROC и AUC-PR можно обратиться сюда.

Logistic Loss

Особняком стоит логистическая функция потерь, определяемая как:

здесь — это ответ алгоритма на -ом объекте, — истинная метка класса на -ом объекте, а размер выборки.

Подробно про математическую интерпретацию логистической функции потерь уже написано в рамках поста про линейные модели.
Данная метрика нечасто выступает в бизнес-требованиях, но часто — в задачах на kaggle.
Интуитивно можно представить минимизацию logloss как задачу максимизации accuracy путем штрафа за неверные предсказания. Однако необходимо отметить, что logloss крайне сильно штрафует за уверенность классификатора в неверном ответе.

Отметим, как драматически выросла logloss при неверном ответе и уверенной классификации!
Следовательно, ошибка на одном объекте может дать существенное ухудшение общей ошибки на выборке. Такие объекты часто бывают выбросами, которые нужно не забывать фильтровать или рассматривать отдельно.
Всё становится на свои места, если нарисовать график logloss:

Видно, что чем ближе к нулю ответ алгоритма при ground truth = 1, тем выше значение ошибки и круче растёт кривая.

Подытожим:

Полезные ссылки

Благодарности

Спасибо mephistopheies и madrugado за помощь в подготовке статьи.

Источник

Таблица SCORE

Не будьте жертвой — предохраните себя!

Все боятся такого грозного заболевания как рак, однако «доля кардиоваскулярной (сердечно-сосудистой. — В. Б.) патологии
в структуре общей смертности составляет 64 %, в то время как смертность от онкологических заболеваний не превышает 12 %,
а от внешних причин — 8 %» [1].

Сердечно-сосудистые заболевания (ССЗ) представляют собой следующую группу болезней сердца и кровеносных сосудов [адаптировано из работ: (2), (3)].

Каковы общие симптомы наиболее грозных сердечно-сосудистых заболеваниях, таких как инфаркт и инсульт?

« Симптомы инфаркта включают:
• боль или неприятные ощущения в середине грудной клетки;
• боль или неприятные ощущения в руках, левом плече, локтях, челюсти или спине.
Кроме того, человек может испытывать затруднения в дыхании или нехватку воздуха; тошноту или рвоту; чувствовать головокружение или терять сознание; покрываться холодным потом и становиться бледным. Женщины чаще испытывают нехватку дыхания, тошноту, рвоту и боли в спине и челюсти.
Наиболее распространённым симптомом инсульта является внезапная слабость в лице, чаще всего с какой-либо одной стороны, руке или ноге. Другие симптомы включают неожиданное онемение лица, особенно с какой-либо одной стороны, руки или ноги; спутанность сознания; затруднённую речь или трудности в понимании речи; затруднённое зрительное восприятие одним или двумя глазами; затруднённую походку, головокружение, потерю равновесия или координации; сильную головную боль без определённой причины, а также потерю сознания или беспамятство» [2].

Как защитить здоровье своего сердца и сосудов? Обнадёживающий факт заключается в том, что 80 % преждевременных инфарктов
и инсультов может быть предотвращено. Для этого необходимо предпринять следующие основные действия.

« Правильный рацион питания. Для поддержания здоровой сердечно-сосудистой системы огромное значение имеет сбалансированный рацион питания, включающий большое количество фруктов и овощей, блюда из цельного зерна, нежирное мясо, рыбу и бобовые с ограниченным потреблением соли, сахара и жира. Необходимо употреблять алкоголь в умеренных дозах.

Регулярная физическая активность. Для поддержания здорового состояния сердечно-сосудистой системы необходима регулярная физическая активность, минимум в течение получаса ежедневно; физическая активность в течение минимум одного часа большинство дней в неделю способствует поддержанию здорового веса.

Воздержание от употребления табака. Табак очень вреден для здоровья в любой разновидности: сигарет, сигар, трубок или жевательного табака и др. Пассивное курение также опасно. Риск развития инфаркта или инсульта начинает снижаться сразу же после прекращения употребления табачных изделий, а через год может снизиться на 50 %.

Знать своё кровяное давление. Высокое кровяное давление обычно не сопровождается какими-либо симптомами, но является одной из основных причин внезапного инсульта или инфаркта. Проверяйте свое кровяное давление и знайте ваши показатели. Если давление высокое, вам необходимо изменить образ жизни — перейти на здоровое питание, снизив потребление соли, и повысить уровни физической активности. Возможно, что для контроля кровяного давления вам будет необходимо принимать лекарственные препараты.

Знать уровень липидов в крови. Повышенное содержание холестерина в крови повышает риск развития инфарктов и инсультов. Необходимо контролировать уровень холестерина
в крови с помощью здорового питания и, при необходимости, надлежащих лекарств.

Знать уровень сахара в крови. Повышенное содержание глюкозы в крови (диабет) повышает риск развития инфарктов и инсультов. Если у вас диабет, очень важно контролировать ваше кровяное давление и уровень сахара в крови для минимизации этого риска» [4].

Следует обратить особое внимание на то обстоятельство, что курение является второй ведущей причиной смерти во всем мире. Кроме того, «большинство лет DALY*, связанных с ежедневным курением, обусловлены сердечно-сосудистыми заболеваниями (41 %), раком
(28 %) и хроническими респираторными заболеваниями (21 %) [12]».

∗ DALY (Disability-Adjusted Life Year) — разработанный учёными Гарвардского университета показатель количества потенциальных лет здоровой жизни, утраченных из-за преждевременной смерти и нетрудоспособности вследствие болезней.

Для наиболее полного снижения вероятности развития фатальных исходов ССЗ необходимо проводить многофакторную профилактику.

«Необходимость борьбы с факторами риска развития ССЗ доказана в многочисленных исследованиях: прекращение курения снижает риск развития инсульта на 50 % уже через 6 мес., а 2–5 часов физической активности в день ассоциируется с уменьшением тяжести инсульта и лучшим восстановлением утраченных функций в случае его развития, уменьшение избыточной массы тела на 1 кг ведёт к снижению АД в среднем на 2 мм рт. ст. Патогенетическая связь абдоминального ожирения с ССЗ прослеживается достаточно чётко: выраженный коронарный атеросклероз, инфаркты миокарда и инсульты у больных с избыточной массой тела регистрируются значительно чаще, чем у лиц с нормальной массой тела» [5].

Всемирная организация здравоохранения пришла к выводу, что «в настоящее время имеются значительные недостатки [см. «Врачебные вмешательства». — В. Б.] в осуществлении этих мер, особенно на уровне первичной медико-санитарной помощи» [3]. Известно, что одним из факторов риска развития СН является артериальная гипертензия (АГ), однако только 28,37 % опрошенных терапевтов «информированы о ведущих механизмах развития СН при АГ. Устаревшие и неверные профессиональные представления могут быть барьером для ранней диагностики, лечения и профилактики СН при АГ» [11].

Запомните: только треть терапевтов могут реально помочь больным сердечной недостаточностью, остальные — будут ошибаться или лгать. Исходя из этого, перефразировав известную поговорку, можно сформулировать здравомыслящий вывод: на врача надейся, но сам не плошай.

Определите свой персональный риск

В странах Европейского Союза для предварительной оценки риска развития ССЗ у лиц без симптомов ССЗ (см. выше «Каковы общие симптомы ССЗ») используется таблица SCORE* (англ. « Systematic COronary Risk Evaluation» — систематическая оценка коронарного риска), которая оценивает «10-летний риск развития ССЗ со смертельным исходом в регионах Европы с высоким риском по полу, возрасту, систолическому артериальному давлению, общему холестерину и статусу курения» [6].

∗ Для данных категорий больных таблицу SCORE для оценки сердечно-сосудистого риска «применять не нужно, поскольку эти больные априорно относятся к категории очень высокого риска!» [7].

Таблица SCORE разработана экспертами Европейского общества кардиологов на основании данных исследований более 205 тысяч человек.

Примечания к таблице

Так как таблица SCORE охватывает возрастной диапазон от 40 до 65 лет, «отдельная проблема возникает при оценке риска у молодых людей; у них низкий абсолютный риск может маскироваться высоким относительным риском развития ССЗ. Поэтому, в соответствии с рекомендациями Европейских обществ, таблица абсолютного риска дополнена таблицей относительного риска (рис. 2). Представленная шкала отражает относительный риск по отношению к тому условному пациенту, риск которого оценивается как 1 — значение располагается в левой нижней ячейке левой колонки шкалы. Следовательно, у пациента, значение риска которого попадает в правую верхнюю ячейку правой колонки, относительный риск будет в 12 раз выше по сравнению с первым пациентом» [7].

Оценка индивидуального относительного риска проводится путём сравнения абсолютного риска данного пациента с риском некурящего человека того же пола и возраста, с систолическим АД Дополнительная информация

Если Вам понравилась эта статья, Вы можете воспользоваться соответствующими знаками, расположенными на плавающей панели «Share» слева от данного текста, для следующих действий.

Также Вы имеете возможность отслеживать публикации (кнопка «Follow» вверху) и /или написать ответ (кнопка «Responses» внизу).

© В. В. Бурковский, 2017. Вы можете распространять эту статью, при выполнении следующего набора условий (см. «О лицензиях»).

Источник