使用机器学习技术预测冈比亚的疟疾疫情
Ousman Khan1, Jimoh Olawale Ajadi1,2, M Pear Hossain3,4
1Department of Mathematics, College of Computing and Mathematics, King Fahd University of Petroleum and Minerals, Dhahran, Saudi Arabia.
PloS one
|May 16, 2024
概括
使用机器学习模型,可以预测冈比亚的疟疾疫情. 极端梯度增强和决策树实现了最高的准确性,突出了气象数据对疟疾控制的重要性.
科学领域:
- 流行病学 流行病学
- 机器学习 机器学习
- 环境科学 环境科学
背景情况:
- 疟疾仍然是一个重大的全球健康威胁,特别是在热带地区.
- 它影响公共卫生和经济发展,需要有效的控制策略.
- 预测模型可以帮助主动管理疟疾爆发.
研究的目的:
- 开发和比较用于预测冈比亚疟疾爆发的机器学习模型.
- 确定用于疟疾发病率预测的最准确的算法.
- 评估气象和非气候因素对预测准确性的影响.
主要方法:
- 评估了八种机器学习算法:C5.0决策树,人工神经网络,k-最近邻居,支持向量机 (线性和辐射内核),后勤回归,极端梯度增强和随机森林.
- 利用了冈比亚的历史气象数据.
- 采用 10 倍的交叉验证,重复 5 次以进行可靠的模型验证.
主要成果:
- 极端梯度增强和决策树在测试组中显示出最高的预测准确性 (93.3%).
- 随机森林实现了91.5%的高精度.
- 带有线性内核的支向量机具有较低的精度 (84.8%) 和较差的特异性.
结论:
- 机器学习模型,特别是极端梯度增强和决策树,对于预测冈比亚疟疾爆发是有效的.
- 气候和非气候特征的整合对于准确预测疟疾爆发是必不可少的.
- 准确的预测可以支持有针对性的公共卫生干预和为疟疾控制分配资源.
