基于机器学习的混合灰色辅助鱼优化用于COVID-19预测
A Shyamala1, S Murugeswari2, G Mahendran2
1Department of Electronics and Communication Engineering, Mohamed Sathak Engineering College, Kilakarai, Ramanathapuram, Chennai, Tamil Nadu, India.
Computer methods in biomechanics and biomedical engineering
|December 19, 2023
概括
这项研究引入了一种用于预测COVID-19结果的机器学习模型. 混合灰色辅助鱼优化算法 - 适应性基于网络的模糊推理系统 (H-GAWOA-ANFIS) 实现了出色的预测准确性,特别是在死亡病例中.
科学领域:
- 计算生物学是一种计算生物学.
- 流行病学 流行病学
- 人工智能的人工智能
背景情况:
- 由于COVID-19的流行,造成了重大的社会经济破坏和死亡率.
- 快速传播和缺乏确定的疫苗需要准确的预测模型.
- 现有的预测方法可能需要提高准确性和效率.
研究的目的:
- 开发和评估用于预测COVID-19阳性,阴性和死亡病例的机器学习方案.
- 通过特征选择和强大的分类模型来提高预测准确性.
- 通过使用真实世界的数据,根据已建立的指标评估模型的性能.
主要方法:
- 数据预处理涉及删除冗余和缺失的值.
- 使用混合灰辅助优化算法 (H-GAWOA) 进行了特征选择.
- 适应性基于网络的模糊推理系统 (ANFIS) 分类器被用于结果预测.
主要成果:
- 拟议的H-GAWOA-ANFIS模型在所有预测中表现出卓越的性能,平均平方误差 (MSE) 值非常低.
- 具体来说,该模型在预测已故的COVID-19病例时实现了0.00的MSE.
- 分析了包括MSE,根平均平方误差 (RMSE),平均绝对百分比误差 (MAPE) 和R平方在内的绩效指标.
结论:
- 在预测COVID-19结果方面,H-GAWOA-ANFIS模型明显优于其他方法.
- 拟议的机器学习方案为流行病学分析和公共卫生管理提供了一个有前途的工具.
- 准确预测COVID-19病例,包括死亡率,可以帮助资源配置和干预策略.


