具有非对称训练的专家混合模型用于疟疾流行率预测
Thomas Fisher1, Sergio Rojas-Galeano2, Delmiro Fernandez-Reyes1
1Department of Computer Science, Faculty of Engineering Sciences, University College London, London, United Kingdom.
Frontiers in public health
|October 9, 2023
概括
一个新的混合机器学习模型提高了疟疾流行预测的准确性. 这种专业的方法结合了线性和循环神经网络,优于现有的方法来更好地控制疟疾.
科学领域:
- 流行病学 流行病学
- 机器学习 机器学习
- 公共卫生 公共卫生
背景情况:
- 疟疾仍然是一个重大的全球卫生挑战,特别是在发展中国家.
- 准确的疟疾流行预测对于全球疟疾技术战略 (2016-2030) 至关重要.
- 现有的预测模型,包括监督机器学习,在实现临床准确性方面存在局限性.
研究的目的:
- 开发一种新的混合机器学习模型,用于增强疟疾流行预测.
- 为了改进当前最先进的堆叠混合动力模型.
- 为改善疟疾控制决策和资源配置提供一个工具.
主要方法:
- 提出了一种专业的混合方法,将线性预测模型和循环神经网络结合起来.
- 循环神经网络模型被训练在线性预测的非线性余数上,使用一种新的不对称损失函数.
- 在尼日利亚伊巴丹22年的疟疾流行数据开源数据集上评估了该模型.
主要成果:
- 与当前最先进的堆叠模型相比,专业的混合动力方法表现出更高的性能.
- 该模型准确预测了疟疾患病率,超过了现有方法.
- 研究结果强调了这种方法在改善疟疾预测方面的潜力.
结论:
- 专业混合方法为疟疾流行率预测提供了一个有希望的替代方案.
- 这种方法可以提高短期预测系统的准确性.
- 提高预测准确度可以导致更好的疟疾控制策略和高风险地区的资源配置.
