基于机器学习的新冠病毒概率预测：一种感染方法
机器学习
2024-12-05 v2 人工智能
摘要
新冠肺炎疫情持续发展，尽管疫苗广泛可用，但仍对全球公共卫生构成重大挑战。及早检测疾病对于遏制传播和减轻公共卫生系统的影响至关重要。作为应对，本研究深入探讨了先进机器学习（ML）技术用于预测新冠病毒感染概率的应用。我们对各种ML模型的效能进行了严格的考察，包括XGBoost、LGBM、AdaBoost、逻辑回归、决策树、RandomForest、CatBoost、KNN和深度神经网络（DNN）。利用由4000个样本组成的数据集，其中3200个用于训练，800个用于测试，我们的实验为这些模型在新冠病毒预测中的表现提供了全面的见解。我们的发现表明，深度神经网络（DNN）表现最佳，展现出卓越的准确率和召回率。DNN以89%的准确率，显示出在准确预测新冠病毒感染概率方面具有巨大潜力。这凸显了深度学习方法在利用复杂数据模式准确识别新冠病毒感染方面的有效性。本研究凸显了机器学习，特别是深度学习方法在应对持续发展的疫情中增强早期检测工作的关键作用。DNN在准确预测新冠病毒感染概率方面的成功，突显了继续研究和开发以利用先进技术应对传染病的重要性。
引用
@article{arxiv.2408.12841,
title = {COVID-19 Probability Prediction Using Machine Learning: An Infectious Approach},
author = {Mohsen Asghari Ilani and Saba Moftakhar Tehran and Ashkan Kavei and Arian Radmehr},
journal= {arXiv preprint arXiv:2408.12841},
year = {2024}
}