使用广义随机森林估计县级 COVID-19 指数增长率
机器学习
2020-11-17 v4 计量经济学
摘要
快速准确地检测社区暴发对于应对 COVID-19 反复浪潮的威胁至关重要。暴发检测中的一个实际挑战是平衡准确性与速度。具体而言，虽然估计精度随拟合窗口变长而提高，但速度会下降。本文提出一种使用广义随机森林（GRF）来平衡该权衡的机器学习框架，并将其应用于检测县级 COVID-19 暴发。该算法基于影响疾病传播的相关特征（如社交距离政策的变化）为每个县选择自适应拟合窗口大小。实验结果表明，在 7 天前的 COVID-19 暴发病例数预测中，我们的方法优于任何非自适应窗口大小选择。
引用
@article{arxiv.2011.01219,
title = {Estimating County-Level COVID-19 Exponential Growth Rates Using Generalized Random Forests},
author = {Zhaowei She and Zilong Wang and Turgay Ayer and Asmae Toumi and Jagpreet Chhatwal},
journal= {arXiv preprint arXiv:2011.01219},
year = {2020}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2020 - Extended Abstract