单击曲线，按右键，选择“添加趋势线”，在类型中，选择多项式；在选项中，选择显示公式，选择显示R平方值。得到公式和R平方值。也可以用上面说的方法：双击图表，把它输入到图表的数据中，就可以拟和曲线。
ELISA酶联免疫吸附实验 原理：免疫分析是一种利用特定抗体与抗原或半抗原发生的高选择性高特异性识别和结合原理，对待测抗体或者抗原进行分析测定的方法，酶联免疫吸附分析（下称ELISA）是免疫分析的一种，分三个部分组成：免疫识别，信号输出和数据处理。
计算平均值和标准差：将所得到的三次实验数据相加后取平均数，并计算标准差。可以帮助了解实验数据的变异程度。统计显著性水平：使用t检验或方差分析等方法来确定实验结果之间存在显著差异。可以帮助确定实验结果之间的差异。
在临床实验室，对试剂准备一般不太注意，通常的做法是，在实验时将试剂从冰箱中拿出来即用，而忽略了这种做法有可能影响后面温育时间不够的问题，其直接的后果是对一些弱阳性标本的检测出现假阴性。
可以分析 不同时期抗体水平的变化（OD值），即对照组与实验组有无区别（统计学上的区别）。分析个体动物抗体水平达到明显高于对照组的时间差异，用方差分析先看总体上有无差异，然后两比较，看出现差异的每对之间是否由于一些相同的因素而导致了差异的出现，如年龄、性别、体重。
在临床实验室中，ELISA测定的洗板一般有两种方式，即手工和洗板机洗板。手工洗板即是在每次反应温育后，将反应液吸出或甩干，然后在板孔中加满洗液，放置2～3分钟后，将洗液吸出或甩干，再在吸水纸上拍干。重复上述洗涤步骤3～4次，最后在吸水纸上拍干，即可进行下一步测定操作。
剪裁归一化 （Clipping Normalization）剪裁归一化不仅作为预处理步骤，还能处理异常值。它重新定义数据集范围，确保数据集内部的统计稳定。 标准差归一化 （Standard Deviation Normalization）标准差归一化根据每个特征的标准差进行调整，特别适用于有多个变量的情况，如K-means和SVM等算法。
数据标准化处理方法为指标一致化处理和无量纲化处理。
方法一：规范化方法 也叫离差标准化，是对原始数据的线性变换，使结果映射到[0，1]区间。方法二：正规化方法 这种方法基于原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。将A的原始值x使用z-score标准化到x’。
Min-max 标准化min-max标准化方法是对原始数据进行线性变换。
只需选中相关的数据即可。同时，格式刷能够帮助你快速复制格式，节省时间。创建表格也相当简便，只需选中数据，选择“插入”然后“图表”选项即可。总的来说，尽管Excel可能没有直接的标准化函数，但通过组合使用内置工具和理解基本的数学操作，可以有效地对数据进行标准化处理，满足各种统计和分析需求。
个案剔除法（Listwise Deletion）这是处理缺失数据的一种常见且简单的方法，许多统计软件如SPSS和SAS都将其作为默认处理方式。此方法的步骤是直接删除包含缺失值的完整案例。
主要有简单删除法和权重法。简单删除法是对缺失值进行处理的最原始方法。它将存在缺失值的个案删除。如果数据缺失问题可以通过简单的删除小部分样本来达到目标，那么这个方法是最有效的。当缺失值的类型为非完全随机缺失的时候，可以通过对完整的数据加权来减小偏差。
单元无回答的缺失数据处理方法是个案剔除法、均值替换法、热卡填充法。（一）个案剔除法（Listwise Deletion）。最常见、最简单的处理缺失数据的方法是用个案剔除法（listwisedeletion），也是很多统计软件（如SPSS和SAS）默认的缺失值处理方法。（二）均值替换法（Mean Imputation）。
1、首先，让我们深入了解一下：重新分布数据与调整权重，这是最常见的策略，通过重采样技术（如SMOTE）或调整loss函数权重（如Focal Loss），平衡不同类别的样本分布。其次，创新的训练策略如迁移学习，通过预训练模型或针对特定子数据集进行微调，可以有效地迁移知识，提高尾部数据的学习效率。
2、ADASYN： 建立在SMOTE基础上，自适应地调整样本生成，更精确地处理不平衡。 Borderline SMOTE： 扩展SMOTE，关注于决策边界附近的样本，提高分类性能。
3、使用WeightedRandomSampler来进行进行不平衡抽样。
4、在处理不平衡数据集时，我们可以采取多种策略来改善模型的性能。这些策略主要涉及数据层面和算法层面。重采样方法：过采样：对少数类样本进行重复采样，以增加其数量。这种方法简单但可能导致过拟合，因为模型可能会过于关注重复出现的样本。欠采样：从多数类样本中随机选择较少数量的样本，从而减少其数量。
5、处理不平衡数据的方法多样，包括欠采样（减少多数类样本）、过采样（增加少数类样本）和生成合成数据。这些方法旨在重新平衡类别比例，但需注意保持数据的代表性，避免过度采样导致信息丢失或测试集性能下降。同时，考虑类的真实比例，以及在实际应用中的成本不对称性，是至关重要的。
