基于不可见特征的分类及由此发现结核病疫苗对COVID-19的影响
机器学习
2020-11-17 v1 定量方法
机器学习
摘要
在聚类数据的情况下，具有logcosh损失函数的人工神经网络（ANN）会学习较大的簇而非两个簇的均值。更甚的是，当ANN用于集值函数的回归时，它将学习接近其中一个选择的值，换言之，它以高精度学习集值函数的一个分支。本工作提出一种方法，利用具有logcosh损失的人工神经网络在参数-结果样本集中寻找集值映射的分支，并根据这些分支对样本进行分类。该方法不仅基于这些分支对数据进行分类，还为多数簇提供准确的预测。该方法成功基于不可见特征对数据进行了分类。我们成功建立了一个神经网络，用于从若干输入变量预测德国各行政区冠状病毒的总病例数、对数总病例数、死亡数、现存病例数及其他相关数据。由于有人推测结核病疫苗可提供针对该病毒的保护，且东德在统一前曾接种疫苗，因而尝试将东德与西德的行政区视为以疫苗信息作为不可见特征来进行分类。
引用
@article{arxiv.2011.07332,
title = {Classification based on invisible features and thereby finding the effect of tuberculosis vaccine on COVID-19},
author = {Nihal Acharya Adde and Thilo Moshagen},
journal= {arXiv preprint arXiv:2011.07332},
year = {2020}
}