在Culex pipiens预测建模中比较机器学习,深度学习和强化学习的性能

科学领域:

• 生态生态学 生态生态学
• 机器学习 机器学习
• 流行病学 流行病学

背景情况:

• 机器学习 (ML) 和深度学习 (DL) 是为了预测物种存在而建立的.
• 强化学习 (RL) 对于物种分布建模来说是新鲜的.
• 曲力斯皮皮恩斯是西尼罗河病毒 (WNV) 的全球载体.

研究的目的:

• 将ML/DL分类器与RL方法进行比较,以预测Culex pipiens的分布.
• 使用美国历史存在数据评估不同算法的有效性.

主要方法:

• 后勤回归的逻辑回归
• 随机的森林分类器是随机的森林分类器.
• 深度神经网络是一种深度神经网络.
• RL算法:Q学习,深度Q网络 (DQN),REINFORCE,演员批判

主要成果:

• 所有测试方法在预测物种分布方面表现相似.
• 在较少的特征下,RL方法 (DQN,REINFORCE) 是有效的.
• 高度和年降水量是最重要的生物气候预测指标.

结论:

• RL方法为物种分布建模提供了一个有希望的替代方案,特别是在数据有限或动态场景中.
• 诸如海拔和降水等生物气候变量对于了解Culex pipiens的分布至关重要.